Tesseract OCR을 이용한 다국어 학습 (개발자 튜토리얼)

Tesseract OCR을 여러 언어와 함께 사용하는 방법

1. 먼저, .NET 프로젝트 내에 IronOCR/Tesseract NuGet 패키지를 설치하세요.
2. OCR 엔진을 초기화하는 IronTesseract 클래스의 인스턴스를 생성하세요.
3. 언어 속성은 두 개 이상의 언어를 지원합니다.
4. 처리하고자 하는 이미지 파일 경로를 지정한 후, OcrInput 객체를 생성하세요.
5. 이제, IronTesseract 인스턴스의 Read 함수를 사용하여 입력 이미지에 OCR을 수행하세요.
6. 결과를 받고 인식된 텍스트를 표시합니다.

Tesseract란?

Tesseract는 Hewlett-Packard에서 개발하고 나중에 Google이 유지 관리한 오픈 소스 광학 문자 인식 엔진입니다. 높은 정확도와 적응성으로 유명하여 가장 두드러진 OCR 중 하나가 되었습니다. Tesseract는 스크립트 감지를 지원하고 여러 언어로 된 텍스트를 인식하며 여러 언어를 처리할 수 있습니다; 따라서 일반적으로 다국어 문서와 지원이 필요한 프로젝트에 사용됩니다.

Tesseract OCR 엔진은 이미지의 단일 픽셀에 포함된 정보를 기반으로 작동하며, 결국 기계가 읽을 수 있는 텍스트로 변환되는 문자, 단어 및 문장을 나타내는 패턴을 따릅니다. 많은 이미지 파일 유형을 지원하는 TIFF, JPEG, PNG 같은 파일 덕분에 Tesseract는 일반 텍스트, HTML 및 검색 가능한 PDF 형식으로 텍스트를 생성할 수 있습니다.

Tesseract의 주요 장점 중 하나는 특별한 폰트나 새로 추가된 언어에 민감하도록 훈련될 수 있다는 것입니다. 또한 간단한 텍스트 추출에서 역사적 문서의 디지털화, 송장 처리, 심지어 시각 장애인을 위한 읽기 기능을 제공하는 접근성 소프트웨어에 이르기까지 다양한 응용 프로그램에서 자주 사용됩니다.

Visual Studio에서 새 프로젝트 생성하기

Visual Studio 프로그램을 엽니다. 프로그램을 열면 '파일 메뉴'로 진행합니다. '파일 메뉴' 아래에는 '새 프로젝트'라는 옵션이 있습니다. '새 프로젝트' 아래에서 '콘솔 응용 프로그램'을 클릭합니다. 이 포스트에서 우리는 콘솔 프로그램을 사용하여 PDF 문서를 생성할 것입니다.

제공된 텍스트 상자에 프로젝트 이름과 파일 위치를 입력합니다. 그런 다음 아래 이미지에 표시된 대로 Create 버튼을 클릭하고 필요한 .NET Framework를 선택합니다.

이제 응용 프로그램 버전을 선택했으면, Visual Studio 프로젝트에서 그 구조를 생성할 것입니다. 콘솔, Windows 또는 웹 버전을 선택한 경우, 코드를 추가하고 응용 프로그램을 빌드/실행하기 위해 program.cs 파일이 열립니다.

using System;
using System.Drawing;
using Tesseract;

class Program
{
    static void Main()
    {
        // Set the path to the Tesseract data files (traineddata files)
        string tessDataPath = @"./tessdata"; // Ensure this directory contains the language data files

        // Load the image
        string imagePath = @"path_to_your_image.png";
        using (var img = Pix.LoadFromFile(imagePath))
        {
            // Add languages to the Tesseract engine
            using (var engine = new TesseractEngine(tessDataPath, "eng+spa+fra", EngineMode.Default))
            {
                using (var page = engine.Process(img))
                {
                    // Extract the text
                    string text = page.GetText();
                    Console.WriteLine("Recognized Text:");
                    Console.WriteLine(text);
                }
            }
        }
    }
}

using System;
using System.Drawing;
using Tesseract;

class Program
{
    static void Main()
    {
        // Set the path to the Tesseract data files (traineddata files)
        string tessDataPath = @"./tessdata"; // Ensure this directory contains the language data files

        // Load the image
        string imagePath = @"path_to_your_image.png";
        using (var img = Pix.LoadFromFile(imagePath))
        {
            // Add languages to the Tesseract engine
            using (var engine = new TesseractEngine(tessDataPath, "eng+spa+fra", EngineMode.Default))
            {
                using (var page = engine.Process(img))
                {
                    // Extract the text
                    string text = page.GetText();
                    Console.WriteLine("Recognized Text:");
                    Console.WriteLine(text);
                }
            }
        }
    }
}

IronOCR 는 무엇인가요?

IronOCR는 .NET에 중점을 둔 독자적인 OCR 라이브러리입니다. .NET 애플리케이션에 OCR 기능을 추가하여 이미지, 스캔한 문서, PDF, 및 기타 모든 시각적 미디어의 텍스트를 추출할 수 있습니다. 최첨단 텍스트 인식을 주도하는 Tesseract 엔진을 기반으로, IronOCR는 Enterprise 애플리케이션 사용에 적합하도록 추가 기능을 포함합니다.

IronOCR는 120개 이상의 언어를 지원하며, 자동 언어 감지 및 다국어 문서 처리가 가능합니다. 이로 인해 IronOCR는 매우 다양하게 활용될 수 있으며, 다국어 문서 처리가 필요한 전 세계 곳곳에서 배포될 수 있습니다.

다른 한편으로, IronOCR는 사용 및 통합의 간단함을 강조합니다. 매우 사용하기 쉬운 API에는 자세한 문서와 예제 프로젝트 세트가 포함되어 있어 개발자가 빠르게 시작할 수 있도록 도와줍니다. 다양한 이미지 형식과 PDF 문서를 지원합니다. 내장된 고급 이미지 전처리, 노이즈 감소 및 오류 수정 기능으로 OCR 정확도와 성능이 향상됩니다.

IronOCR 설치

Visual Studio의 NuGet 패키지 관리 도구를 사용하여 솔루션에 직접 패키지를 설치할 수 있습니다. 다음 스냅샷은 어떻게 NuGet 패키지 관리자를 여는지를 보여줍니다.

임베디드 검색 상자가 있으며, 이는 NuGet 웹사이트에서 패키지 목록을 표시합니다. 아래 스크린샷에서 보듯이, 우리는 패키지 관리자에서 IronOCR라는 문구를 검색할 것입니다:

검색 결과는 잠재적인 솔루션 목록을 제공할 수 있습니다. 설치를 위해 필요한 솔루션 패키지를 선택해야 합니다.

예를 들어, 아래 예제를 위해 필요한 Tesseract 언어 팩을 하나씩 설치하세요.

이 예제에서는 스페인어, 프랑스어, 영어 언어 코드를 사용할 것입니다. 영어는 기본 언어 팩이며 설치가 필요하지 않습니다.

NuGet 패키지에서 스페인어를 설치하세요.

Tesseract 엔진과 함께 IronOCR로 여러 언어 읽기

다음 예제는 C#과 IronOCR 및 Tesseract 엔진을 사용하여 이미지에서 여러 언어의 텍스트를 인식하는 방법을 보여줍니다.

using IronOcr;

class Program
{
    static void Main(string[] args)
    {
        // Initialize IronTesseract engine
        var Ocr = new IronTesseract();

        // Add multiple languages
        Ocr.Language = OcrLanguage.English + OcrLanguage.Spanish + OcrLanguage.French;

        // Path to the image
        var inputFile = @"path\to\your\image.png";

        // Read the image and perform OCR
        using (var input = new OcrInput(inputFile))
        {
            // Perform OCR
            var result = Ocr.Read(input);

            // Display the result
            Console.WriteLine("Recognized Text:");
            Console.WriteLine(result.Text);
        }
    }
}

using IronOcr;

class Program
{
    static void Main(string[] args)
    {
        // Initialize IronTesseract engine
        var Ocr = new IronTesseract();

        // Add multiple languages
        Ocr.Language = OcrLanguage.English + OcrLanguage.Spanish + OcrLanguage.French;

        // Path to the image
        var inputFile = @"path\to\your\image.png";

        // Read the image and perform OCR
        using (var input = new OcrInput(inputFile))
        {
            // Perform OCR
            var result = Ocr.Read(input);

            // Display the result
            Console.WriteLine("Recognized Text:");
            Console.WriteLine(result.Text);
        }
    }
}

위의 C# 프로그램은 IronOCR 라이브러리를 사용하여 영어, 스페인어, 프랑스어 문자를 포함하는 이미지에서 광학 문자 인식을 수행합니다. 프로그램은 IronOCR에 필요한 네임스페이스를 가져오고, Main 메소드를 통해 애플리케이션의 진입점인 Program라는 클래스를 선언하면서 시작됩니다.

Main 메소드에서는 IronTesseract 클래스의 인스턴스가 생성되어 Ocr 변수에 할당됩니다. Language 속성은 OcrLanguage.English, OcrLanguage.Spanish, OcrLanguage.French를 결합하여 영어, 스페인어, 프랑스어를 포함하도록 설정됩니다. 이로 인해 OCR 엔진은 이 세 가지 언어의 텍스트를 인식하고 처리할 수 있습니다.

입력 이미지 파일의 경로는 inputFile 변수를 사용하여 설정됩니다. 이미지는 OcrInput 클래스의 인스턴스를 사용하여 적절한 리소스 관리와 폐기를 위한 using 문 내에서 로드됩니다. 마지막으로, 입력 객체를 사용하여 IronTesseract 인스턴스의 Read 메소드를 호출하여 이미지에 OCR을 수행합니다.

인식된 텍스트는 Console.WriteLine 메소드를 사용하여 콘솔에 출력됩니다. 이 프로그램은 IronOCR의 다국어 기능을 사용하여 다양한 언어의 단어가 포함된 이미지에서 텍스트를 추출하는 효과적인 방법을 보여줍니다.

결론

Tesseract와 IronOCR 모두 강력한 OCR 기술이지만, 각각은 독특한 기능과 강점을 가지고 있습니다. 오픈 소스인 Tesseract는 무료 솔루션을 찾는 사람들에게 신뢰할 수 있고, 활발한 커뮤니티와 지속적인 개선이 이루어지고 있습니다.

반면, IronOCR는 .NET Framework를 위한 독점 라이브러리로, 쉬운 통합과 대부분의 이미지 파일 형식에 대한 지원을 통해 사용자 경험을 개선합니다. 특히 저품질 이미지 콘텐츠에서도 텍스트 인식 성능이 뛰어납니다. IronOCR는 많은 언어를 완벽하게 지원하고 사용 편의성을 높이는 추가 기능이 포함되어 있습니다.

IronOCR는 비용 효율적인 개발자 에디션을 제공하며 구매 시 평생 라이선스를 제공합니다. IronOCR 패키지는 여러 시스템에서 이용할 수 있는 부가적인 비용 없이 일회성 비용으로 $liteLicense부터 시작하며, 경제적 가치를 제공하고 라이센스를 보유한 사용자에게 24시간 엔지니어 지원을 제공합니다. 자세한 정보는 IronOCR 웹사이트를 참조하세요.