IronOCRでOCR結果をC#でhOCR HTMLとして保存する

なぜ RenderHocr の設定が重要なのですか?

RenderHocr プロパティを true に設定すると、 IronOCR はOCR プロセス中に必要な hOCR 構造を生成するように指示されます。 この設定がないと、SaveAsHocrFile および SaveAsHocrString メソッドは、レイアウトを保持した適切にフォーマットされた hOCR 出力を生成しません。 この構成は、 Tesseract エンジンが出力データを処理および構造化する方法に影響するため、Read メソッドを呼び出す前に設定する必要があります。

hOCRフォーマットは、以下のような重要なメタデータを保持します：

• 文字レベルのバウンディングボックス
• 単語信頼度スコア
• 行と段落の構成
• ページ寸法とDPI情報
• 検出可能なフォントの特徴

このメタデータは、コンピュータ・ビジョンワークフローを実装する場合や、単純なテキスト抽出を超えてドキュメント構造を理解する必要があるシステムを構築する場合に特に役立ちます。

どのようなファイル タイプが hOCR エクスポートをサポートしていますか?

IronOCRはTIFF、PNG、JPEG、BMP、GIFを含む様々な画像フォーマットからのhOCRエクスポートをサポートします。 PDFドキュメントは、各ページのテキストとレイアウト情報をHTML構造に保持したまま、hOCRとして処理およびエクスポートすることもできます。 このライブラリは、単一ページの画像と複数ページのドキュメントの両方をシームレスに処理します。

異なるファイルタイプで最適な結果を得るために

• TIFF：スキャン文書に最適。
• PDF：混合コンテンツ(テキストと画像)に最適です。
• PNG/JPEG：OCRが必要な写真やスクリーンショットに最適です。
• BMP：高画質スキャンに適した非圧縮フォーマット

パスポートやナンバープレートのような特殊なドキュメントタイプを扱う場合、hOCRフォーマットは、異なるテキスト要素間の空間的関係を保持するのに役立ち、場所に基づいて特定のフィールドを抽出しやすくします。

ファイルの代わりに文字列出力を使用するのはどのような場合ですか?

文字列出力は、メモリ内でhOCRデータを処理または操作したり、ウェブサービスと統合したり、結果をデータベースに保存したりする必要がある場合に最適です。 このアプローチにより、ファイルシステムへの依存を回避し、ウェブアプリケーションの動的なHTML生成が可能になります。 一般的な使用例には次のようなものがあります：

• Web API統合：APIレスポンスでhOCRデータを直接返す
• データベースストレージ: OCR結果をドキュメントのメタデータとともに保存する
• リアルタイム処理：ディスクI/Oオーバーヘッドなしで結果を処理
• クラウド機能：ファイルアクセスが制限されたサーバーレス環境で作業する
• コンテンツ管理システム：OCR結果を既存のドキュメントワークフローに統合する

進捗追跡を必要とするアプリケーションでは、文字列出力により、部分的な結果が利用可能になったときにすぐに処理できます。 これは、複数のドキュメントを同時に処理するマルチスレッド OCR 処理を実装する場合に特に有益です。

複数のページを HTML 文字列に処理するにはどうすればよいですか?

複数ページのドキュメントを扱う場合、SaveAsHocrString はすべてのページを適切なページ区分で 1 つの HTML 文字列に統合します。 各ページのコンテンツは、適切なhOCR要素でラップされ、ドキュメント構造とページの境界が維持されます。

// Processing multi-page documents
using var multiPageInput = new OcrPdfInput("multi-page-document.pdf");
multiPageInput.Title = "Multi-Page Document";

 // Configure for hOCR output
 IronTesseract tesseract = new IronTesseract();
 tesseract.Configuration.RenderHocr = true;

 // Read all pages
 OcrResult result = tesseract.Read(multiPageInput);

 // Export as single HTML string with all pages
 string fullHocr = result.SaveAsHocrString();

 // Or process page by page
 foreach (var page in result.Pages)
 {
     string pageHocr = page.SaveAsHocrString();
     // Process individual page hOCR
 }

// Processing multi-page documents
using var multiPageInput = new OcrPdfInput("multi-page-document.pdf");
multiPageInput.Title = "Multi-Page Document";

 // Configure for hOCR output
 IronTesseract tesseract = new IronTesseract();
 tesseract.Configuration.RenderHocr = true;

 // Read all pages
 OcrResult result = tesseract.Read(multiPageInput);

 // Export as single HTML string with all pages
 string fullHocr = result.SaveAsHocrString();

 // Or process page by page
 foreach (var page in result.Pages)
 {
     string pageHocr = page.SaveAsHocrString();
     // Process individual page hOCR
 }

このアプローチは、PDF ストリームとシームレスに動作し、特定のページ範囲を処理したり、異なるページに異なる OCR 設定を適用したりするような高度なシナリオをサポートします。

hOCRの出力品質のベストプラクティスとは

hOCR出力の品質を最大化するには、処理前に画像最適化フィルターを適用することを検討してください：

var input = new OcrImageInput("document.png");
input.DeNoise();  // Remove image noise
input.Deskew();   // Correct image rotation
input.Scale(2);   // Upscale for better recognition

IronTesseract ocr = new IronTesseract();
ocr.Configuration.RenderHocr = true;
var result = ocr.Read(input);

var input = new OcrImageInput("document.png");
input.DeNoise();  // Remove image noise
input.Deskew();   // Correct image rotation
input.Scale(2);   // Upscale for better recognition

IronTesseract ocr = new IronTesseract();
ocr.Configuration.RenderHocr = true;
var result = ocr.Read(input);

低品質スキャンの場合、前処理ステップを追加することで、hOCRの精度を大幅に向上させることができます。 フィルタウィザードは、特定のドキュメントタイプに最適なフィルタの組み合わせを決定するのに役立ちます。

hOCR構造はどのように高度な処理をサポートしますか?

生成されたhOCRは、ドキュメント階層を表すネストされたdiv要素を持つ標準仕様に従っています：

<div class='ocr_page' title='bbox 0 0 2480 3508'>
  <div class='ocr_carea' title='bbox 156 114 2324 3395'>
    <p class='ocr_par' title='bbox 157 114 2323 164'>
      <span class='ocr_line' title='bbox 157 114 2323 164'>
        <span class='ocr_word' title='bbox 157 114 294 161'>Hello</span>
        <span class='ocr_word' title='bbox 334 119 483 161'>World</span>
      </span>
    </p>
  </div>
</div>

<div class='ocr_page' title='bbox 0 0 2480 3508'>
  <div class='ocr_carea' title='bbox 156 114 2324 3395'>
    <p class='ocr_par' title='bbox 157 114 2323 164'>
      <span class='ocr_line' title='bbox 157 114 2323 164'>
        <span class='ocr_word' title='bbox 157 114 294 161'>Hello</span>
        <span class='ocr_word' title='bbox 334 119 483 161'>World</span>
      </span>
    </p>
  </div>
</div>

この構造は、正確なテキスト位置の抽出と高度な文書分析機能を可能にし、空間的なテキスト関係やレイアウトの保存を必要とするアプリケーションにとって価値があります。 テーブル抽出で作業する場合、hOCR形式は、表構造とセルの関係を維持するのに役立ちます。

bbox（バウンディング・ボックス）属性は、"bbox left top right bottom "のフォーマットで座標を含み、各テキスト要素のピクセル精度の位置データを提供します。 この情報は次のような場合に重要です：

• テキスト選択によるインタラクティブなドキュメントビューアの作成
• レイアウトを保持する再編集システムの実装
• 読み順を維持するアクセシビリティツールの構築
• ドキュメント比較システムの開発

さらに詳細な設定オプションを必要とする開発者のために、Tesseract 詳細設定ガイドでは、hOCRの出力品質と構造に影響を与える高度な設定を提供しています。