Porównanie pomiędzy IronOCR a Dynamsoft OCR

Oba zestawy oprogramowania oferują rozwiązania do przycinania obrazów do OCR.

Odczyt regionów przyciętych z IronOCR

Gałąź Tesseract OCR Iron'a doskonale radzi sobie z czytaniem konkretnych regionów obrazów, jak pokazano w poniższym przykładowym kodzie.

Używamy System.Drawing.Rectangle, aby opisać dokładny obszar obrazu do odczytu w pikselach.

Kiedy mamy do czynienia ze standaryzowaną formą, która jest wypełniana, a tylko część zawartości zmienia się z przypadku na przypadek, może to być naprawdę przydatne.

Skanowanie sekcji strony: Używamy System.Drawing.Rectangle, aby wyznaczyć obszar do odczytu z dokumentu, co poprawia szybkość i dokładność.

using IronOcr;
using System.Drawing;

class Program
{
    static void Main(string[] args)
    {
        // Create an instance of IronTesseract
        var ocr = new IronTesseract();

        using (var input = new OcrInput())
        {
            // Define content area of interest
            var contentArea = new Rectangle() { X = 215, Y = 1250, Height = 280, Width = 1335 };

            // Add the specific region to the input
            input.AddImage("img/ComSci.png", contentArea);

            // Perform OCR operation
            var result = ocr.Read(input);

            // Output recognized text to console
            Console.WriteLine(result.Text);
        }
    }
}

using IronOcr;
using System.Drawing;

class Program
{
    static void Main(string[] args)
    {
        // Create an instance of IronTesseract
        var ocr = new IronTesseract();

        using (var input = new OcrInput())
        {
            // Define content area of interest
            var contentArea = new Rectangle() { X = 215, Y = 1250, Height = 280, Width = 1335 };

            // Add the specific region to the input
            input.AddImage("img/ComSci.png", contentArea);

            // Perform OCR operation
            var result = ocr.Read(input);

            // Output recognized text to console
            Console.WriteLine(result.Text);
        }
    }
}

Imports IronOcr
Imports System.Drawing

Friend Class Program
	Shared Sub Main(ByVal args() As String)
		' Create an instance of IronTesseract
		Dim ocr = New IronTesseract()

		Using input = New OcrInput()
			' Define content area of interest
			Dim contentArea = New Rectangle() With {
				.X = 215,
				.Y = 1250,
				.Height = 280,
				.Width = 1335
			}

			' Add the specific region to the input
			input.AddImage("img/ComSci.png", contentArea)

			' Perform OCR operation
			Dim result = ocr.Read(input)

			' Output recognized text to console
			Console.WriteLine(result.Text)
		End Using
	End Sub
End Class

To daje nam 41-procentowy wzrost prędkości, jednocześnie pozwalając być bardziej precyzyjnymi. To jest niezwykle cenne dla aplikacji OCR .NET dotyczących dokumentów, które są porównywalne i spójne, w tym faktur, paragonów, czeków, formularzy, zgłoszeń wydatków i tak dalej.

Podczas odczytywania plików PDF obsługiwane są również obszary zawartości (przycinanie OCR).

Odczyt przyciętych regionów z Dynamsoft OCR

Na początek uruchom Visual Studio i utwórz nową aplikację Windows Forms w C#, lub otwórz już istniejącą. Będziemy musieli dołączyć DynamicDotNetTWAIN.dll, DynamicOCR.dll oraz odpowiedni pakiet językowy.

1. Przejdź do Narzędzia -> Wybierz elementy narzędziowe, następnie do zakładki Komponenty .NET Framework, kliknij przycisk Przeglądaj i zlokalizuj DynamicDotNetTWAIN.dll.

2. Kliknij prawym przyciskiem plik projektu w Eksploratorze Rozwiązań i wybierz Dodaj-> Istniejący element... następnie dodaj niezbędne elementy z katalogu zasobów OCR.

Oto kod po kliknięciu przycisku LoadImage:

private void button1_Click(object sender, EventArgs e) 
{
    OpenFileDialog filedlg = new OpenFileDialog(); 
    if (filedlg.ShowDialog() == DialogResult.OK) 
    { 
        dynamicDotNetTwain1.LoadImage(filedlg.FileName);
        // Choose an image from your local disk and load it into Dynamic .NET TWAIN
    } 
}

private void dynamicDotNetTwain1_OnImageAreaSelected(short sImageIndex, int left, int top, int right, int bottom) 
{
    dynamicDotNetTwain1.OCRTessDataPath = "../../"; 
    dynamicDotNetTwain1.OCRLanguage = "eng";
    OcrResultFormat ocrResultFormat = Dynamsoft.DotNet.TWAIN.OCR.ResultFormat.Text;

    byte [] sbytes = dynamicDotNetTwain1.OCR(dynamicDotNetTwain1.CurrentImageIndexInBuffer, left, top, right, bottom);
    // OCR the selected area of the image

    if (sbytes != null) 
    { 
        SaveFileDialog filedlg = new SaveFileDialog(); 
        filedlg.Filter = "Text File(*.txt)| *.txt"; 
        if (filedlg.ShowDialog() == DialogResult.OK) 
        {
            FileStream fs = File.OpenWrite(filedlg.FileName); 
            fs.Write(sbytes, 0, sbytes.Length);
            // Save the OCR result as a text file
            fs.Close(); 
        }
        MessageBox.Show("OCR successful");
    } 
    else 
    {
        MessageBox.Show(dynamicDotNetTwain1.ErrorString); 
    }
}

private void button1_Click(object sender, EventArgs e) 
{
    OpenFileDialog filedlg = new OpenFileDialog(); 
    if (filedlg.ShowDialog() == DialogResult.OK) 
    { 
        dynamicDotNetTwain1.LoadImage(filedlg.FileName);
        // Choose an image from your local disk and load it into Dynamic .NET TWAIN
    } 
}

private void dynamicDotNetTwain1_OnImageAreaSelected(short sImageIndex, int left, int top, int right, int bottom) 
{
    dynamicDotNetTwain1.OCRTessDataPath = "../../"; 
    dynamicDotNetTwain1.OCRLanguage = "eng";
    OcrResultFormat ocrResultFormat = Dynamsoft.DotNet.TWAIN.OCR.ResultFormat.Text;

    byte [] sbytes = dynamicDotNetTwain1.OCR(dynamicDotNetTwain1.CurrentImageIndexInBuffer, left, top, right, bottom);
    // OCR the selected area of the image

    if (sbytes != null) 
    { 
        SaveFileDialog filedlg = new SaveFileDialog(); 
        filedlg.Filter = "Text File(*.txt)| *.txt"; 
        if (filedlg.ShowDialog() == DialogResult.OK) 
        {
            FileStream fs = File.OpenWrite(filedlg.FileName); 
            fs.Write(sbytes, 0, sbytes.Length);
            // Save the OCR result as a text file
            fs.Close(); 
        }
        MessageBox.Show("OCR successful");
    } 
    else 
    {
        MessageBox.Show(dynamicDotNetTwain1.ErrorString); 
    }
}

Private Sub button1_Click(ByVal sender As Object, ByVal e As EventArgs)
	Dim filedlg As New OpenFileDialog()
	If filedlg.ShowDialog() = DialogResult.OK Then
		dynamicDotNetTwain1.LoadImage(filedlg.FileName)
		' Choose an image from your local disk and load it into Dynamic .NET TWAIN
	End If
End Sub

Private Sub dynamicDotNetTwain1_OnImageAreaSelected(ByVal sImageIndex As Short, ByVal left As Integer, ByVal top As Integer, ByVal right As Integer, ByVal bottom As Integer)
	dynamicDotNetTwain1.OCRTessDataPath = "../../"
	dynamicDotNetTwain1.OCRLanguage = "eng"
	Dim ocrResultFormat As OcrResultFormat = Dynamsoft.DotNet.TWAIN.OCR.ResultFormat.Text

	Dim sbytes() As Byte = dynamicDotNetTwain1.OCR(dynamicDotNetTwain1.CurrentImageIndexInBuffer, left, top, right, bottom)
	' OCR the selected area of the image

	If sbytes IsNot Nothing Then
		Dim filedlg As New SaveFileDialog()
		filedlg.Filter = "Text File(*.txt)| *.txt"
		If filedlg.ShowDialog() = DialogResult.OK Then
			Dim fs As FileStream = File.OpenWrite(filedlg.FileName)
			fs.Write(sbytes, 0, sbytes.Length)
			' Save the OCR result as a text file
			fs.Close()
		End If
		MessageBox.Show("OCR successful")
	Else
		MessageBox.Show(dynamicDotNetTwain1.ErrorString)
	End If
End Sub

Tak wygląda aplikacja:

Jakość obrazu wejściowego jest najważniejszym wyznacznikiem szybkości zadania OCR. Im niższy szum w tle i wyższy dpi, z doskonałą wartością celu około 200 dpi, tym szybszy i dokładniejszy rezultat OCR.

Techniki przetwarzania obrazu dla Dynamsoft OCR

Musimy używać OCR w różnorodnych sytuacjach, takich jak skanowanie numeru karty kredytowej za pomocą telefonu czy wydobywanie tekstu z dokumentów papierowych. Dokładne funkcje OCR są dołączone do Dynamsoft Label Recognition (DLR) i Dynamic Web TWAIN (DWT).

Mimo że mogą wykonywać ogólnie świetną robotę, możemy poprawić wyniki, korzystając z różnych technik przetwarzania obrazu.

Rozjaśnij/usuwaj cienie

Złe oświetlenie może wpływać na wynik OCR. Aby poprawić wynik, możemy wybielić zdjęcia lub usunąć cienie z obrazów.

Odwróć

Ponieważ silnik OCR jest często trenowany na na tekście w ciemnych kolorach, tekst w jasnych kolorach może być trudniejszy do odnalezienia i rozpoznania.

Będzie łatwiej rozpoznać, jeśli odwrócimy jego kolor

Do przeprowadzenia inwersji możemy użyć parametru GrayscaleTransformationModes w DLR.

Oto ustawienia JSON:

"GrayscaleTransformationModes": [
    {
        "Mode": "DLR_GTM_INVERTED"
    }
]

Wynik odczytu DLR .NET:

Skalowanie

Jeśli wysokość litery jest zbyt niska, silnik OCR może nie dać dobrego wyniku. Zasadniczo obraz powinien mieć DPI co najmniej 300.

W DLR 1.1 jest parametr ScaleUpModes, który pozwala na powiększenie liter. Oczywiście, możemy także sami skalować obraz.

Bezpośrednie odczytanie obrazu daje błędny wynik:

Po zeskanowaniu obrazu x2 wynik jest poprawny:

Deskew

Jeśli tekst jest lekko zniekształcony, to w porządku. Jednakże, jeśli jest zbytnio przechylony, wynik zostanie negatywnie zmieniony. Aby poprawić wynik, musimy przyciąć obraz.

Aby to osiągnąć, możemy użyć transformacji linii Hougha w OpenCV i Pythonie.

Oto kod do deskewingu obrazu powyżej:

import cv2
import numpy as np
import math
from PIL import Image

def deskew():
    src = cv2.imread("neg.jpg", cv2.IMREAD_COLOR)
    gray = cv2.cvtColor(src, cv2.COLOR_BGR2GRAY)
    kernel = np.ones((5,5), np.uint8)
    erode_img = cv2.erode(gray, kernel)
    eroDil = cv2.dilate(erode_img, kernel)
    show_and_wait_key("eroDil", eroDil)

    canny = cv2.Canny(eroDil, 50, 150)
    show_and_wait_key("canny", canny)

    lines = cv2.HoughLinesP(canny, 0.8, np.pi / 180, 90, minLineLength=100, maxLineGap=10)
    drawing = np.zeros(src.shape[:], dtype=np.uint8)

    maxY = 0
    degree_of_bottomline = 0
    index = 0
    for line in lines:
        x1, y1, x2, y2 = line[0]
        cv2.line(drawing, (x1, y1), (x2, y2), (0, 255, 0), 1, lineType=cv2.LINE_AA)
        k = float(y1-y2)/(x1-x2)
        degree = np.degrees(math.atan(k))
        if index == 0:
            maxY = y1
            degree_of_bottomline = degree
        else:        
            if y1 > maxY:
                maxY = y1
                degree_of_bottomline = degree
        index += 1
    show_and_wait_key("houghP", drawing)

    img = Image.fromarray(src)
    rotate_img = img.rotate(degree_of_bottomline)
    rotate_img_cv = np.array(rotate_img)
    cv2.imshow("rotateImg", rotate_img_cv)
    cv2.imwrite("deskewed.jpg", rotate_img_cv)
    cv2.waitKey()

def show_and_wait_key(win_name, img):
    cv2.imshow(win_name, img)
    cv2.waitKey()

if __name__ == "__main__":
    deskew()

import cv2
import numpy as np
import math
from PIL import Image

def deskew():
    src = cv2.imread("neg.jpg", cv2.IMREAD_COLOR)
    gray = cv2.cvtColor(src, cv2.COLOR_BGR2GRAY)
    kernel = np.ones((5,5), np.uint8)
    erode_img = cv2.erode(gray, kernel)
    eroDil = cv2.dilate(erode_img, kernel)
    show_and_wait_key("eroDil", eroDil)

    canny = cv2.Canny(eroDil, 50, 150)
    show_and_wait_key("canny", canny)

    lines = cv2.HoughLinesP(canny, 0.8, np.pi / 180, 90, minLineLength=100, maxLineGap=10)
    drawing = np.zeros(src.shape[:], dtype=np.uint8)

    maxY = 0
    degree_of_bottomline = 0
    index = 0
    for line in lines:
        x1, y1, x2, y2 = line[0]
        cv2.line(drawing, (x1, y1), (x2, y2), (0, 255, 0), 1, lineType=cv2.LINE_AA)
        k = float(y1-y2)/(x1-x2)
        degree = np.degrees(math.atan(k))
        if index == 0:
            maxY = y1
            degree_of_bottomline = degree
        else:        
            if y1 > maxY:
                maxY = y1
                degree_of_bottomline = degree
        index += 1
    show_and_wait_key("houghP", drawing)

    img = Image.fromarray(src)
    rotate_img = img.rotate(degree_of_bottomline)
    rotate_img_cv = np.array(rotate_img)
    cv2.imshow("rotateImg", rotate_img_cv)
    cv2.imwrite("deskewed.jpg", rotate_img_cv)
    cv2.waitKey()

def show_and_wait_key(win_name, img):
    cv2.imshow(win_name, img)
    cv2.waitKey()

if __name__ == "__main__":
    deskew()

Wykryto linie:

Odskewowany:

Techniki przetwarzania obrazu dla IronOCR

Jakość obrazu wejściowego nie jest tutaj ważna, ponieważ IronOCR doskonale naprawia uszkodzone dokumenty (chociaż to jest czasochłonne i spowoduje wykorzystanie większej ilości cykli procesora przez Twoje zadania OCR).

Wybór formatów obrazów wejściowych z mniejszym szumem cyfrowym, takich jak TIFF czy PNG, może również przynieść szybsze wyniki niż przy formatach obrazów z utratą jakości, takich jak JPEG.

Filtry obrazu poniżej mogą znacznie poprawić wydajność:

• OcrInput.Rotate(double degrees) — Obraca obrazy zgodnie z ruchem wskazówek zegara o określoną liczbę stopni. Ujemne liczby całkowite są używane do obrotu przeciwnie do ruchu wskazówek zegara.
• OcrInput.Binarize() — Ten filtr obrazu powoduje, że każdy piksel jest albo czarny, albo biały, bez odcieni pośrednich. Może poprawić wydajność OCR w sytuacjach, gdy kontrast tekstu do tła jest bardzo niski.
• OcrInput.ToGrayScale() — Ten filtr obrazu konwertuje każdy piksel na odcień szarości. Prawdopodobnie nie poprawi dokładności OCR, ale może przyspieszyć działanie.
• OcrInput.Contrast() — Automatycznie zwiększa kontrast. W skanach o niskim kontraście ten filtr często poprawia szybkość i dokładność OCR.
• OcrInput.DeNoise() — Tego filtra należy używać tylko wtedy, gdy spodziewane są zakłócenia.
• OcrInput.Invert() — Odwraca wszystkie kolory. Na przykład, biały staje się czarny: czarny staje się biały.
• OcrInput.Dilate() — Zaawansowana morfologia. Dylacja to proces dodawania pikseli do krawędzi obiektów na obrazie. (Inverse of Erode)
• OcrInput.Erode() — Zaawansowana funkcja morfologiczna. Erozja jest procesem usuwania pikseli z krawędzi obiektów. (Inverse of Dilate)
• OcrInput.Deskew() — Obraca obraz, aby był ortogonalny i we właściwej pozycji. Ponieważ tolerancja Tesseract dla ukośnych skanów może być nawet 5 stopni, jest to dość użyteczne dla OCR.
• DeepCleanBackgroundNoise() — Usuwa dużo szumów w tle. Używaj tego filtra tylko wtedy, gdy wiadomo, że w dokumencie występuje dużo szumów tła, ponieważ może on obniżyć dokładność OCR w czystych dokumentach i jest dość obciążający dla procesora.
• OcrInput.EnhanceResolution — Poprawia rozdzielczość zdjęć o niskiej rozdzielczości. Z powodu OcrInput, ten filtr jest rzadko używany. OcrInput automatycznie wykryje i rozwiąże problem z niską rozdzielczością.

Możemy chcieć użyć IronTesseract, aby przyspieszyć OCR na skanach wyższej jakości. Jeśli zależy nam na szybkości, możemy zacząć tutaj, a następnie włączyć z powrotem funkcje, aż do osiągnięcia odpowiedniej równowagi.

using IronOcr;

class Program
{
    static void Main(string[] args)
    {
        var ocr = new IronTesseract();

// Configuration for speed tuning
        ocr.Configuration.BlackListCharacters = "~`$#^*_}{][|\\";
        ocr.Configuration.PageSegmentationMode = TesseractPageSegmentationMode.Auto;
        ocr.Configuration.TesseractVersion = TesseractVersion.Tesseract5;
        ocr.Configuration.EngineMode = TesseractEngineMode.LstmOnly;
        ocr.Language = OcrLanguage.EnglishFast;

        using (var input = new OcrInput(@"img\Potter.tiff"))
        {
            var result = ocr.Read(input);
            Console.WriteLine(result.Text);
        }
    }
}

using IronOcr;

class Program
{
    static void Main(string[] args)
    {
        var ocr = new IronTesseract();

// Configuration for speed tuning
        ocr.Configuration.BlackListCharacters = "~`$#^*_}{][|\\";
        ocr.Configuration.PageSegmentationMode = TesseractPageSegmentationMode.Auto;
        ocr.Configuration.TesseractVersion = TesseractVersion.Tesseract5;
        ocr.Configuration.EngineMode = TesseractEngineMode.LstmOnly;
        ocr.Language = OcrLanguage.EnglishFast;

        using (var input = new OcrInput(@"img\Potter.tiff"))
        {
            var result = ocr.Read(input);
            Console.WriteLine(result.Text);
        }
    }
}

Imports IronOcr

Friend Class Program
	Shared Sub Main(ByVal args() As String)
		Dim ocr = New IronTesseract()

' Configuration for speed tuning
		ocr.Configuration.BlackListCharacters = "~`$#^*_}{][|\"
		ocr.Configuration.PageSegmentationMode = TesseractPageSegmentationMode.Auto
		ocr.Configuration.TesseractVersion = TesseractVersion.Tesseract5
		ocr.Configuration.EngineMode = TesseractEngineMode.LstmOnly
		ocr.Language = OcrLanguage.EnglishFast

		Using input = New OcrInput("img\Potter.tiff")
			Dim result = ocr.Read(input)
			Console.WriteLine(result.Text)
		End Using
	End Sub
End Class

Ten wynik jest 99,8% dokładny w porównaniu z bazowym 100% — ale o 35% szybszy.