Tesseract C# a IronOCR: Którą bibliotekę OCR należy używać w .NET?

Instalacja Tesseract w Visual Studio

PM> Install-Package TesseractOCR

PM> Install-Package TesseractOCR

PM> Install-Package TesseractOCR

Po instalacji pobierz odpowiednie dane szkoleniowe z repozytorium tessdata na GitHubie i skonfiguruj pliki w swoim projekcie .NET. Folder tessdata musi być dostępny w czasie wykonywania, a zazwyczaj konieczne jest ustawienie pełnej ścieżki do tego folderu lub umieszczenie go obok pliku wykonywalnego w katalogu wyjściowym. Niezgodności wersji między opakowaniem .NET a plikami językowymi często powodują błędy inicjalizacji, co jest częstym źródłem frustracji programistów w dyskusjach na Stack Overflow.

Ponadto natywne pliki binarne Tesseract wymagają zainstalowania pakietu Visual C++ Redistributable na każdym komputerze, na którym działa aplikacja. Ta zależność może komplikówać wdrażanie, szczególnie w środowiskach kontenerowych lub na komputerach klienckich, gdzie instalacja administracyjna może nie być prosta.

Instalacja IronOCR

PM> Install-Package IronOCR

PM> Install-Package IronOCR

IRON VB CONVERTER ERROR developers@ironsoftware.com

IronOCR eliminuje złożoność konfiguracji, łącząc wszystko w jednym zarządzanym pakiecie .NET. Bez środowisk uruchomieniowych C++, bez zarządzania folderem tessdata, bez śledzenia natywnych bibliotek DLL specyficznych dla platformy. Pakiety językowe instaluje się w razie potrzeby jako oddzielne pakiety NuGet, integrując je ze standardowym systemem zarządzania zależnościami .NET. Firma Iron Software opracowała to rozwiązanie specjalnie dla programistów .NET, którzy potrzebują funkcji OCR bez kłopotów związanych z infrastrukturą. Dowiedz się więcej o tym, jak rozpocząć pracę z IronOCR.

Przykład ekstrakcji tekstu za pomocą Tesseract

Rozważmy następujący przebieg przetwarzania obrazu z wykorzystaniem silnika Tesseract. Ten kod ilustruje podstawowe OCR służące do wyodrębniania tekstu z pliku PNG:

using TesseractOCR;
using TesseractOCR.Enums;
// Initialize the engine with tessdata path and language
using var engine = new Engine(@"./tessdata", Language.English, EngineMode.Default);
// Load input image using Pix format
using var img = Pix.LoadFromFile("document.png");
// Process the image and create a page
using var page = engine.Process(img);
// Extract plain text from recognized text
Console.WriteLine(page.GetText());

using TesseractOCR;
using TesseractOCR.Enums;
// Initialize the engine with tessdata path and language
using var engine = new Engine(@"./tessdata", Language.English, EngineMode.Default);
// Load input image using Pix format
using var img = Pix.LoadFromFile("document.png");
// Process the image and create a page
using var page = engine.Process(img);
// Extract plain text from recognized text
Console.WriteLine(page.GetText());

Imports TesseractOCR
Imports TesseractOCR.Enums

' Initialize the engine with tessdata path and language
Using engine As New Engine("./tessdata", Language.English, EngineMode.Default)
    ' Load input image using Pix format
    Using img As Pix = Pix.LoadFromFile("document.png")
        ' Process the image and create a page
        Using page As Page = engine.Process(img)
            ' Extract plain text from recognized text
            Console.WriteLine(page.GetText())
        End Using
    End Using
End Using

Takie podejście wymaga zarządzania ścieżką folderu tessdata, zapewnienia odpowiednich uprawnień do plików oraz obsługi formatu obrazów Pix wymagańego przez silnik Tesseract. Inicjalizacja silnika może powodować wyjątki, jeśli pliki danych szkoleniowych są niekompletne lub niekompatybilne. Należy zwrócić szczególną uwagę na wykorzystanie pamięci, ponieważ natywne zasoby Tesseract muszą być prawidłowo usuwane, aby zapobiec wyciekom z kodu niezarządzanego. Dla programistów napotykających problemy z inicjalizacją przewodnik rozwiązywania problemów IronOCR wyjaśnia typowe wyzwania związane z Tesseractem oraz sposoby ich rozwiązania.

Przykład ekstrakcji tekstu za pomocą IronOCR

Poniższy kod pokazuje, w jaki sposób IronOCR upraszcza to samo zadanie wyodrębniania tekstu:

using IronOcr;
// Initialize the OCR engine
var ocr = new IronTesseract();
// Load and process the input image
using var input = new OcrInput();
input.LoadImage("document.png");
// Read text with automatic optimization
var result = ocr.Read(input);
Console.WriteLine(result.Text);

using IronOcr;
// Initialize the OCR engine
var ocr = new IronTesseract();
// Load and process the input image
using var input = new OcrInput();
input.LoadImage("document.png");
// Read text with automatic optimization
var result = ocr.Read(input);
Console.WriteLine(result.Text);

Imports IronOcr

' Initialize the OCR engine
Dim ocr As New IronTesseract()

' Load and process the input image
Using input As New OcrInput()
    input.LoadImage("document.png")
    ' Read text with automatic optimization
    Dim result = ocr.Read(input)
    Console.WriteLine(result.Text)
End Using

Klasa IronTesseract zapewnia zarządzaną nakładkę, która automatycznie obsługuje wykorzystanie pamięci. Klasa OcrInput akceptuje pliki graficzne bezpośrednio ze ścieżek plików, tablic bajtów, strumieni lub obiektów System.Drawing bez konieczności konwersji formatu. Powstały obiekt result zawiera dane strukturalne, takie jak oceny pewności, pozycje słów i granice akapitów, z których wszystkie są cenne przy tworzeniu zaawansowanych potoków przetwarzania dokumentów. Zapoznaj się z kompletnym samouczkiem dotyczącym zamiany obrazu na tekst, aby poznać bardziej zaawansowane funkcje.

Dane wejściowe

Wynik

Ograniczenia przetwarzania wstępnego Tesseract

Silnik Tesseract został zaprojektowany do przetwarzania czystych plików graficznych o wysokiej rozdzielczości z prawidłowo zorientowanym tekstem. Podczas przetwarzania obróconych lub zaszumionych obrazów silnik OCR często zwraca zniekształcony wynik lub w ogóle nie rozpoznaje tekstu. Rozwiązanie tych problemów związanych z jakością obrazu wymaga użycia zewnętrznych narzędzi, takich jak ImageMagick, OpenCV lub niestandardowego kodu przetwarzania wstępnego, który musi zostać uruchomiony przed przekazaniem obrazów do silnika OCR.

Ten nakład pracy związany z przetwarzaniem wstępnym znacznie wydłuża czas programowania w środowisku .NET. Każdy typ dokumentu może wymagać innych procedur korekcyjnych, a dostosowanie tych procesów w celu uzyskania optymalnych wyników dla różnych danych wejściowych staje się osobnym projektem. Zespoły, które nie doceniają tego wysiłku, często przekonują się, że "bezpłatny" koszt Tesseractu jest równoważony przez tygodnie pracy nad przetwarzaniem wstępnym.

Wbudowana funkcja wstępnego przetwarzania obrazów IronOCR

using IronOcr;
var ocr = new IronTesseract();
using var input = new OcrInput();
input.LoadImage("skewed-scan.png");
// Apply automatic corrections for high accuracy
input.Deskew();  // Correct skew on rotated images
input.DeNoise(); // Remove digital noise
var result = ocr.Read(input);
Console.WriteLine(result.Text);

using IronOcr;
var ocr = new IronTesseract();
using var input = new OcrInput();
input.LoadImage("skewed-scan.png");
// Apply automatic corrections for high accuracy
input.Deskew();  // Correct skew on rotated images
input.DeNoise(); // Remove digital noise
var result = ocr.Read(input);
Console.WriteLine(result.Text);

Imports IronOcr

Dim ocr As New IronTesseract()
Using input As New OcrInput()
    input.LoadImage("skewed-scan.png")
    ' Apply automatic corrections for high accuracy
    input.Deskew()  ' Correct skew on rotated images
    input.DeNoise() ' Remove digital noise
    Dim result = ocr.Read(input)
    Console.WriteLine(result.Text)
End Using

IronOCR obsługuje filtry korekcji obrazu, które automatycznie rozwiązują typowe problemy związane z jakością dokumentów. Metoda Deskew() koryguje przekrzywienie poprzez wykrywanie kątów linii tekstu i zastosowanie kompensacyjnego obrotu. Metoda DeNoise() usuwa artefakty powstałe podczas skanowania lub szumy cyfrowe, które w przeciwnym razie utrudniałyby rozpoznawanie tekstu. Dodatkowe filtry obejmują EnhanceResolution() do poprawy obrazów o niskiej rozdzielczości, Sharpen() do usuwania rozmycia dokumentów, Contrast() do przywracania wyblakłego tekstu oraz Invert() do obsługi dokumentów typu "jasne na ciemnym tle". Te wbudowane narzędzia do wstępnego przetwarzania obrazów eliminują potrzebę korzystania z zewnętrznych bibliotek przetwarzania obrazów w większości scenariuszy przetwarzania dokumentów.

Dane wejściowe

Wynik

Wymagania dotyczące formatu Tesseract

Biblioteka Leptonica, na której opiera się Tesseract, wewnętrznie obsługuje obrazy w formacie PIX. Chociaż nakładka .NET automatycznie obsługuje niektóre konwersje, złożone formaty obrazów, takie jak wielostronicowe pliki TIFF lub dokumenty PDF, wymagają dodatkowej obsługi i często bibliotek zewnętrznych. Programiści .NET często napotykają problemy z konwersją obiektów System.Drawing lub źródeł Stream do formatu oczekiwanego przez silnik Tesseract, szczególnie podczas pracy z obrazami z aplikacji internetowych lub magazynów obiektów blob w bazach danych.

Wieloklatkowe pliki GIF i wielostronicowe pliki TIFF wymagają ręcznego przechodzenia przez klatki, co dodaje standardowy kod do zadania, które powinno być prostym wyodrębnianiem tekstu.

Elastyczność formatu IronOCR

using IronOcr;
var ocr = new IronTesseract();
using var input = new OcrInput();
// Load various image formats directly
input.LoadImage("photo.jpg");
input.LoadImage("screenshot.png");
input.LoadImage("fax.tiff");
input.LoadPdf("scanned-contract.pdf");
var result = ocr.Read(input);
Console.WriteLine(result.Text);

using IronOcr;
var ocr = new IronTesseract();
using var input = new OcrInput();
// Load various image formats directly
input.LoadImage("photo.jpg");
input.LoadImage("screenshot.png");
input.LoadImage("fax.tiff");
input.LoadPdf("scanned-contract.pdf");
var result = ocr.Read(input);
Console.WriteLine(result.Text);

Imports IronOcr

Dim ocr As New IronTesseract()
Using input As New OcrInput()
    ' Load various image formats directly
    input.LoadImage("photo.jpg")
    input.LoadImage("screenshot.png")
    input.LoadImage("fax.tiff")
    input.LoadPdf("scanned-contract.pdf")
    Dim result = ocr.Read(input)
    Console.WriteLine(result.Text)
End Using

IronOCR obsługuje obrazy we wszystkich głównych formatach, w tym JPG, PNG, GIF, TIFF, BMP i WebP. Biblioteka IronOCR automatycznie obsługuje wielostronicowe pliki TIFF i GIF, przetwarzając każdą klatkę jako oddzielną stronę. W przypadku digitalizacji dokumentów biblioteka przetwarza bezpośrednio pliki PDF — wyodrębniając tekst ze zeskanowanych stron bez konieczności stosowania oddzielnych bibliotek do przetwarzania plików PDF lub etapów konwersji obrazów.

Wynik

Konfiguracja językowa Tesseract

using TesseractOCR;
using TesseractOCR.Enums;
// Requires downloading fra.traineddata to tessdata folder
using var engine = new Engine(@"./tessdata", Language.French, EngineMode.Default);

using TesseractOCR;
using TesseractOCR.Enums;
// Requires downloading fra.traineddata to tessdata folder
using var engine = new Engine(@"./tessdata", Language.French, EngineMode.Default);

Imports TesseractOCR
Imports TesseractOCR.Enums

' Requires downloading fra.traineddata to tessdata folder
Using engine As New Engine("./tessdata", Language.French, EngineMode.Default)
End Using

Dla każdego języka należy pobrać odpowiedni plik .traineddata z repozytorium Tesseract na GitHubie i umieścić go w odpowiednim folderze tessdata. W przypadku dokumentów wielojęzycznych należy określić wiele języków podczas inicjalizacji engine. Zarządzanie tymi plikami językowymi w środowiskach programistycznych, testowych i produkcyjnych — oraz zapewnienie, że wszystkie cele wdrożenia mają prawidłowe wersje w katalogu wyjściowym — zwiększa złożoność operacyjną, która narasta wraz z rosnącymi wymaganiami językowymi.

Konfiguracja pakietu językowego IronOCR

using IronOcr;
var ocr = new IronTesseract();
// Install IronOcr.Languages.French NuGet package first
ocr.Language = OcrLanguage.French;
// Process multi-language documents
ocr.AddSecondaryLanguage(OcrLanguage.German);

using IronOcr;
var ocr = new IronTesseract();
// Install IronOcr.Languages.French NuGet package first
ocr.Language = OcrLanguage.French;
// Process multi-language documents
ocr.AddSecondaryLanguage(OcrLanguage.German);

Imports IronOcr

Dim ocr As New IronTesseract()
' Install IronOcr.Languages.French NuGet package first
ocr.Language = OcrLanguage.French
' Process multi-language documents
ocr.AddSecondaryLanguage(OcrLanguage.German)

IronOCR dystrybuuje pakiety językowe jako pakiety NuGet, integrując się ze standardowymi narzędziami do zarządzania zależnościami .NET. Obsługując ponad 127 języków, w tym specjalistyczne warianty pisma ręcznego i konkretnych alfabetów, biblioteka z łatwością radzi sobie z dokumentami wielojęzycznymi. Przywracanie pakietu podczas kompilacji zapewnia automatyczne wdrożenie wszystkich wymagańych plików językowych, bez konieczności ręcznego zarządzania plikami lub martwienia się o wersjonowanie.

Wyzwania związane z platformą Tesseract

Implementacje opakowania Tesseract .NET opierają się na natywnych bibliotekach C++ skompilowanych dla konkretnych platform. Plik DLL lub biblioteka współdzielona różni się w systemach Windows, Linux i macOS oraz w architekturach 32-bitowych i 64-bitowych. Wdrożenie w systemie Linux wymaga innych plików binarnych niż w systemie Windows, z odpowiednio skonfigurowanymi ścieżkami bibliotek w środowisku wdrożeniowym.

Wdrożenia w chmurze wiążą się z dodatkowymi wyzwaniami. Usługi Azure App Services, AWS Lambda i środowiska kontenerowe mogą nie posiadać środowisk uruchomieniowych Visual C++ wymagańych przez natywny Tesseract. Instalowanie tych zależności w kontenerach Docker lub funkcjach bezserwerowych zwiększa złożoność procesów kompilacji i powoduje wzrost rozmiarów obrazów. Wielu programistów .NET napotyka błędy wdrożeniowe, które nie występowały podczas lokalnego programowania w Visual Studio, gdy natywne zależności nie są poprawnie spakowane.

Spójność międzyplatformowa IronOCR

IronOCR działa jako czysta biblioteka .NET bez konieczności zarządzania zewnętrznymi zależnościami natywnymi. Ten sam pakiet NuGet działa spójnie w systemach Windows, macOS, Linux, Azure App Services, AWS Lambda oraz kontenerach Docker. Architektura ta znacznie upraszcza procesy CI/CD, umożliwiając kompilację lokalną i niezawodne wdrażanie do środowiska produkcyjnego bez konieczności dostosowywania konfiguracji do konkretnej platformy.

Dostęp do wyników Tesseract

using var page = engine.Process(img);
// Basic OCR text output
string text = page.Text;
// Confidence score (mean across all recognized text)
float confidence = page.GetMeanConfidence();

using var page = engine.Process(img);
// Basic OCR text output
string text = page.Text;
// Confidence score (mean across all recognized text)
float confidence = page.GetMeanConfidence();

Imports System

Using page = engine.Process(img)
    ' Basic OCR text output
    Dim text As String = page.Text
    ' Confidence score (mean across all recognized text)
    Dim confidence As Single = page.GetMeanConfidence()
End Using

Tesseract podaje rozpoznany tekst oraz ogólny wskaźnik pewności. Dostęp do bardziej szczegółowych danych, takich jak pozycje poszczególnych słów lub pewność dla poszczególnych znaków, wymaga dodatkowych wywołań API i starannego przeglądania struktury wyników. Powierzchnia API jest funkcjonalna, ale brakuje jej hierarchicznego modelu wyników, którego zazwyczaj wymagają produkcyjne potoki dokumentów.

IronOCR – uporządkowane wyniki z ocenami pewności

using IronOcr;
var ocr = new IronTesseract();
using var input = new OcrInput();
input.LoadImage("document.png");
var result = ocr.Read(input);
// Full text extraction
Console.WriteLine(result.Text);
// Iterate through structured elements with confidence scores
foreach (var page in result.Pages)
{
    foreach (var paragraph in page.Paragraphs)
    {
        Console.WriteLine($"Paragraph: {paragraph.Text}");
        Console.WriteLine($"Confidence: {paragraph.Confidence}%");
    }
}

using IronOcr;
var ocr = new IronTesseract();
using var input = new OcrInput();
input.LoadImage("document.png");
var result = ocr.Read(input);
// Full text extraction
Console.WriteLine(result.Text);
// Iterate through structured elements with confidence scores
foreach (var page in result.Pages)
{
    foreach (var paragraph in page.Paragraphs)
    {
        Console.WriteLine($"Paragraph: {paragraph.Text}");
        Console.WriteLine($"Confidence: {paragraph.Confidence}%");
    }
}

Imports IronOcr

Dim ocr As New IronTesseract()
Using input As New OcrInput()
    input.LoadImage("document.png")
    Dim result = ocr.Read(input)
    ' Full text extraction
    Console.WriteLine(result.Text)
    ' Iterate through structured elements with confidence scores
    For Each page In result.Pages
        For Each paragraph In page.Paragraphs
            Console.WriteLine($"Paragraph: {paragraph.Text}")
            Console.WriteLine($"Confidence: {paragraph.Confidence}%")
        Next
    Next
End Using

Klasa OcrResult zapewnia hierarchiczny dostęp do stron, akapitów, wierszy, słów i poszczególnych znaków WORD. Każdy element zawiera współrzędne ramki ograniczającej oraz wyniki pewności, co pozwala aplikacjom .NET na podświetlanie rozpoznanych obszarów tekstu, wyodrębnianie treści z określonych obszarów, sprawdzanie jakości rozpoznania lub oznaczanie fragmentów o niskim poziomie pewności do ręcznej weryfikacji. IronOCR może również eksportować wyniki bezpośrednio do plików PDF z możliwością wyszukiwania lub formatów hOCR/HTML do celów archiwizacji i indeksowania wyszukiwania.

Wynik

Kiedy Tesseract jest właściwym wyborem

Tesseract sprawdza się dobrze w konkretnych sytuacjach, w których jego wady są do zaakceptowania:

• Ograniczenia budżetowe wymagają rozwiązania opartego na licencji open source Apache 2.0
• Przetwarzanie wyłącznie czystych, wysokiej jakości dokumentów cyfrowych (pliki PDF utworzone w formacie cyfrowym, zrzuty ekranu)
• Zespół programistów ma doświadczenie w zakresie interoperacyjności z językiem C++ oraz zarządzania bibliotekami natywnymi
• Wymagania projektu ograniczają się do podstawowego wyodrębniania tekstu za pomocą OCR bez zaawansowanych funkcji
• Docelowe wdrożenie to kontrolowane środowisko, w którym zależności mogą być zarządzane w spójny sposób

Kiedy IronOCR zapewnia lepsze wyniki

IronOCR to lepszy wybór do zadań produkcyjnych:

• Tworzenie produkcyjnych aplikacji .NET, w których dokładność OCR ma wpływ na wyniki biznesowe
• Obsługa dokumentów o zróżnicowanej jakości, w tym skanów, zdjęć, faksów i zrzutów ekranu z urządzeń mobilnych
• Wdrażanie na wielu platformach lub w środowiskach chmurowych, gdzie spójność ma znaczenie
• Potrzeba Professionalnego wsparcia technicznego obejmującego regularne poprawki błędów i aktualizacje funkcji
• Harmonogramy rozwoju, które nie pozwalają na zmaganie się z wyzwaniami związanymi z konfiguracją i przetwarzaniem wstępnym
• Wymagania obejmują przetwarzanie plików PDF, odczytywanie BarCODE-ów i kodów QR oraz ustrukturyzowanych danych wynikowych

Dla zespołów, które wcześniej zbudowały potoki oparte na Tesseract i rozważają migrację, przewodnik migracji IronOCR opisuje kluczowe różnice w API oraz etapy przejścia.