Jak stworzyć funkcję rozpoznawania znaków w języku C#

Ulepszony silnik Tesseract OCR

IronOCR podnosi możliwości szeroko używanego silnika Tesseract OCR, zwiększając zarówno dokładność, jak i szybkość. Służy jako solidne rozwiązanie do wyodrębniania tekstu z różnych źródeł, w tym obrazów, PDF i różnych formatów dokumentów.

Wysokie pokrycie językowe

Z obsługą ponad 125 języków, IronOCR jest zdolny do obsługi wielojęzycznych wymagań, co czyni go idealnym wyborem dla aplikacji wymagających różnorodności językowej.

Wszechstronne opcje wyjściowe

Wyodrębniony tekst można wygodnie wyeksportować jako tekst zwykły lub dane strukturalne dla bezproblemowej integracji w dalszych procesach. Dodatkowo, IronOCR ułatwia tworzenie przeszukiwalnych plików PDF bezpośrednio z wejść obrazów.

Adaptowalność międzyplatformowa

Zaprojektowany dla zgodności z C#, F# i VB.NET, IronOCR bezproblemowo działa w różnych środowiskach .NET w tym wersje 8, 7, 6, Core, Standard i Framework.

Wykorzystanie Tesseract 5

IronOCR czerpie moc z Tesseract 5, precyzyjnie dostrojonego dla optymalnej wydajności w ekosystemie .NET.

Możliwości OCR oparte na strefach

Dzięki IronOCR, użytkownicy mogą precyzyjnie definiować konkretne strefy w dokumentach, umożliwiając ukierunkowane przetwarzanie OCR. Ta funkcja zwiększa dokładność i wydajność, koncentrując moc obliczeniową tam, gdzie jest najbardziej potrzebna.

Narzędzia do wstępnego przetwarzania obrazu

Biblioteka oferuje zestaw funkcjonalności do wstępnego przetwarzania obrazów, takich jak usuwanie przekrzywień i redukcja szumów. Te narzędzia zapewniają lepsze wyniki nawet podczas pracy z niedoskonałymi źródłowymi obrazami, ostatecznie zwiększając ogólne doświadczenie OCR.

Teraz opracujemy demo aplikację, która wykorzystuje IronOCR do odczytywania tekstu z obrazów.

Wyjaśnienie kodu

1. Instancja IronTesseract: Zaczynamy od utworzenia instancji IronTesseract do wykonania operacji OCR.
2. Ładowanie obrazu: Ładujemy przykładowy obraz do obiektu OcrInput.
3. Odczyt tekstu: Tekst na obrazie jest odczytywany, a wynik jest drukowany w konsoli.

Wynik

Wybór języka

Możesz określić język dla OCR, używając właściwości Language. Na przykład, aby ustawić język na angielski, użyj:

IronTesseract ocr = new IronTesseract();
ocr.Language = OcrLanguage.English;

IronTesseract ocr = new IronTesseract();
ocr.Language = OcrLanguage.English;

Dim ocr As New IronTesseract()
ocr.Language = OcrLanguage.English

Tryb segmentacji strony

PageSegmentationMode określa, jak Tesseract segmentuje obraz wejściowy. Opcje obejmują AutoOsd, SingleBlock, SingleLine i inne. Na przykład:

ocr.Configuration.PageSegmentationMode = TesseractPageSegmentationMode.AutoOsd;

ocr.Configuration.PageSegmentationMode = TesseractPageSegmentationMode.AutoOsd;

ocr.Configuration.PageSegmentationMode = TesseractPageSegmentationMode.AutoOsd

Własne zmienne Tesseract

Można dostroić Tesseract poprzez ustawienie konkretnych zmiennych. Na przykład, aby wyłączyć równoległość:

ocr.Configuration.TesseractVariables["tessedit_parallelize"] = false;

ocr.Configuration.TesseractVariables["tessedit_parallelize"] = false;

ocr.Configuration.TesseractVariables("tessedit_parallelize") = False

Dozwolone i zablokowane znaki

Użyj WhiteListCharacters i BlackListCharacters, aby kontrolować, które znaki Tesseract rozpoznaje. Na przykład:

ocr.Configuration.WhiteListCharacters = "ABCDEFGHIJKLMNOPQRSTUVWXYZ";
ocr.Configuration.BlackListCharacters = "`ë|^";

ocr.Configuration.WhiteListCharacters = "ABCDEFGHIJKLMNOPQRSTUVWXYZ";
ocr.Configuration.BlackListCharacters = "`ë|^";

ocr.Configuration.WhiteListCharacters = "ABCDEFGHIJKLMNOPQRSTUVWXYZ"
ocr.Configuration.BlackListCharacters = "`ë|^"

Dodatkowe zmienne konfiguracyjne

Zbadaj inne zmienne konfiguracyjne Tesseract, aby dostosować zachowanie zgodnie z Twoimi potrzebami. Na przykład:

ocr.Configuration.TesseractVariables["classify_num_cp_levels"] = 3;
ocr.Configuration.TesseractVariables["textord_debug_tabfind"] = 0;
// ... (more variables)

ocr.Configuration.TesseractVariables["classify_num_cp_levels"] = 3;
ocr.Configuration.TesseractVariables["textord_debug_tabfind"] = 0;
// ... (more variables)

ocr.Configuration.TesseractVariables("classify_num_cp_levels") = 3
ocr.Configuration.TesseractVariables("textord_debug_tabfind") = 0
' ... (more variables)

Spróbujmy teraz zdekodować ten sam obraz, używając zaawansowanych ustawień

using IronOcr;

public class Program
{
    public static void Main()
    {
        Console.WriteLine("Decoding using advanced features");
        var ocrTesseract = new IronTesseract() // Create instance
        {
            Language = OcrLanguage.EnglishBest, // Configure best English language
            Configuration = new TesseractConfiguration()
            {
                ReadBarCodes = false, // Disable reading barcodes
                BlackListCharacters = "`ë|^", // Blacklisted characters
                WhiteListCharacters = null, // No whitelist, allow all
                PageSegmentationMode = TesseractPageSegmentationMode.AutoOsd,
                TesseractVariables = null, // No custom variables used
            },
            MultiThreaded = false,
        };

        using var ocrInput = new OcrInput(); // Create a disposible ocr input object
        ocrInput.AddImage(@"sample1.png"); // Load the sample image
        var ocrResult = ocrTesseract.Read(ocrInput); // Read the text from the image
        Console.WriteLine(ocrResult.Text); // Output the text
    }
}

using IronOcr;

public class Program
{
    public static void Main()
    {
        Console.WriteLine("Decoding using advanced features");
        var ocrTesseract = new IronTesseract() // Create instance
        {
            Language = OcrLanguage.EnglishBest, // Configure best English language
            Configuration = new TesseractConfiguration()
            {
                ReadBarCodes = false, // Disable reading barcodes
                BlackListCharacters = "`ë|^", // Blacklisted characters
                WhiteListCharacters = null, // No whitelist, allow all
                PageSegmentationMode = TesseractPageSegmentationMode.AutoOsd,
                TesseractVariables = null, // No custom variables used
            },
            MultiThreaded = false,
        };

        using var ocrInput = new OcrInput(); // Create a disposible ocr input object
        ocrInput.AddImage(@"sample1.png"); // Load the sample image
        var ocrResult = ocrTesseract.Read(ocrInput); // Read the text from the image
        Console.WriteLine(ocrResult.Text); // Output the text
    }
}

Imports IronOcr

Public Class Program
	Public Shared Sub Main()
		Console.WriteLine("Decoding using advanced features")
		Dim ocrTesseract = New IronTesseract() With {
			.Language = OcrLanguage.EnglishBest,
			.Configuration = New TesseractConfiguration() With {
				.ReadBarCodes = False,
				.BlackListCharacters = "`ë|^",
				.WhiteListCharacters = Nothing,
				.PageSegmentationMode = TesseractPageSegmentationMode.AutoOsd,
				.TesseractVariables = Nothing
			},
			.MultiThreaded = False
		}

		Dim ocrInput As New OcrInput() ' Create a disposible ocr input object
		ocrInput.AddImage("sample1.png") ' Load the sample image
		Dim ocrResult = ocrTesseract.Read(ocrInput) ' Read the text from the image
		Console.WriteLine(ocrResult.Text) ' Output the text
	End Sub
End Class

Wyjaśnienie kodu

1. Konfiguracja IronOCR: Tworzy się instancję IronTesseract (głównej klasy IronOCR) i przypisuje do zmiennej ocrTesseract.

   Ustawienia konfiguracji są stosowane do ocrTesseract:

   • Język: Określa język dla OCR (w tym przypadku angielski).
   • Konfiguracja: Obiekt TesseractConfiguration pozwala na dalsze personalizacje:
     • ReadBarCodes: Wyłącza odczytywanie kodów kreskowych.
     • BlackListCharacters: Określa znaki do wyłączenia (znaki, które nie będą rozpoznawane).
     • WhiteListCharacters: Brak określonej białej listy, umożliwiając rozpoznawanie wszystkich znaków.
     • PageSegmentationMode: Ustawia tryb segmentacji strony na "AutoOsd".
     • TesseractVariables: Nie użyto zmiennych niestandardowych.
   • MultiThreaded: Wyłącza wielowątkowość.
2. Dane wejściowe OCR i ładowanie obrazu: Blok using tworzy jednorazowy obiekt ocrInput typu OcrInput. Do ocrInput dodawany jest plik obrazu "sample1.png".
3. Ekstrakcja tekstu: Metoda Read jest wywoływana na ocrTesseract, przekazując ocrInput. Wynik jest przechowywany w zmiennej ocrResult.
4. Wyjście: Ekstraktowany tekst jest drukowany na konsoli przy użyciu Console.WriteLine(ocrResult.Text).

Wynik

Krok 5: Tuning wydajności operacji IronOCR odczytu.

Pracując z IronOCR, masz dostęp do różnych filtrów obrazów, które mogą pomóc w przetworzeniu obrazów przed wykonaniem OCR. Te filtry optymalizują jakość obrazu, poprawiają widoczność i redukują szum lub artefakty. Pomagają poprawić wydajność operacji OCR.

1. Obróć:

   Filtr Obróć pozwala na obrócenie obrazów o określoną liczbę stopni zgodnie z ruchem wskazówek zegara. Dla obrotu przeciwsobnego użyj liczb ujemnych.

2. Pochylenie:

   Filtr Deskew koryguje przechylenie obrazu, zapewniając, że tekst jest prosty i ortogonalny. Jest to szczególnie przydatne dla OCR, ponieważ Tesseract działa najlepiej z odpowiednio zorientowanymi skanami.

3. Skaluj:

   Filtr Skaluj proporcjonalnie skaluje strony wejściowe OCR.

4. Binarizuj:

   Filtr Binarizuj konwertuje każdy piksel na czarny lub biały, bez pośrednich odcieni. Może poprawić wydajność OCR w przypadkach bardzo niskiego kontrastu między tekstem a tłem.

5. Na szarą skalę:

   Filtr DoGrayScale konwertuje każdy piksel na odcień szarości. Chociaż mało prawdopodobne, aby znacząco poprawił dokładność OCR, może przyspieszyć jego działanie.

6. Odwróć:

   Filtr Odwróć zmienia kolory — biały staje się czarnym, a czarny białym.

7. ZastąpKolor:

   Filtr ZastąpKolor zastępuje określony kolor w obrazie innym kolorem, uwzględniając określony próg.

8. Kontrast:

   Filtr Kontrast automatycznie zwiększa kontrast. Często poprawia szybkość i dokładność OCR w skanach o niskim kontraście.

9. Rozszerz i Skurcz:

   Te zaawansowane filtry morfologiczne manipulują granicami obiektów na obrazie.

   • Dylacja dodaje piksele do granic obiektów.
   • Erozja usuwa piksele z granic obiektów.

10. Wyostrz:

    Filtr Wyostrz wyostrza rozmyte dokumenty OCR i bieli kanały alfa.

11. UsunięcieSzumu:

    Filtr UsunięcieSzumu usuwa szum cyfrowy. Użyj go tam, gdzie spodziewane są zakłócenia.

12. GłębokieOczyszczenieTła:

    Ten ciężki filtr usuwania szumu tła powinien być używany tylko wtedy, gdy znane są ekstremalne zakłócenia tła dokumentu. Może obniżyć dokładność OCR dla czystych dokumentów i jest intensywny CPU.

13. PoprawRozdzielczość:

    Filtr PoprawRozdzielczość zwiększa rozdzielczość niskiej jakości obrazów. Często nie jest potrzebny z powodu automatycznego zarządzania rozdzielczością.

Oto przykład zastosowania filtrów przy użyciu IronOCR w C#:

var ocr = new IronTesseract();
var input = new OcrInput();
input.LoadImage("sample.png");
input.Deskew();
var result = ocr.Read(input);
Console.WriteLine(result.Text);

var ocr = new IronTesseract();
var input = new OcrInput();
input.LoadImage("sample.png");
input.Deskew();
var result = ocr.Read(input);
Console.WriteLine(result.Text);

Dim ocr = New IronTesseract()
Dim input = New OcrInput()
input.LoadImage("sample.png")
input.Deskew()
Dim result = ocr.Read(input)
Console.WriteLine(result.Text)

Typowe zastosowania OCR

1. Cyfryzacja dokumentów: OCR jest szeroko stosowany do konwersji skanowanych dokumentów papierowych, takich jak faktury, rachunki, formularze i umowy, na formaty cyfrowe. Proces cyfryzacji usprawnia przechowywanie dokumentów, wyszukiwanie i zarządzanie, redukując bałagan z papierów i poprawiając wydajność.
2. Ekstrakcja danych: OCR umożliwia wyodrębnienie tekstu i danych z zeskanowanych dokumentów, obrazów i plików PDF. Te wyodrębnione dane można wykorzystać do automatycznego wprowadzania danych, analizy treści, indeksowania i integracji z bazami danych lub systemami biznesowymi.
3. Rozpoznawanie tekstu w obrazach: Technologia OCR pozwala na wyodrębnianie tekstu z drukowanych dokumentów i obrazów w celu indeksowania i wyszukiwania. Ta funkcja jest wykorzystywana w różnych aplikacjach, w tym w rozszerzonej rzeczywistości, wyszukiwarkach obrazowych i usługach tłumaczeniowych.
4. Automatyczne Rozpoznawanie Tablic Rejestracyjnych (ALPR): Systemy ALPR wykorzystują OCR do odczytywania numerów rejestracyjnych z obrazów lub strumieni wideo przechwytywanych przez kamery zainstalowane w nadzorze ruchu, zarządzaniu parkingiem, poborze opłat i aplikacjach w egzekwowaniu prawa.
5. Rozwiązania Dostępności: OCR odgrywa kluczową rolę w tworzeniu dostępnych treści dla osób z niepełnosprawnościami wzrokowymi. Poprzez konwersję tekstu z obrazów lub dokumentów na mowę lub alfabet Braille'a, OCR pomaga uczynić informacje dostępnymi dla osób z niepełnościach.
6. Weryfikacja tożsamości: Technologia OCR jest stosowana w procesach weryfikacji tożsamości, takich jak skanowanie i przetwarzanie dokumentów tożsamości, np. paszportów, praw jazdy i dowodów tożsamości. Pomaga w weryfikacji autentyczności dokumentów i wyodrębnianiu istotnych informacji w celu weryfikacji tożsamości.
7. Bankowość i finanse: OCR jest używany w bankowości i finansach do zadań takich jak odczytywanie czeków, przetwarzanie faktur, konwersja istniejącego dokumentu PDF, wyodrębnianie danych z dokumentów finansowych oraz automatyzacja przepływów pracy opartych na dokumentach, aby zwiększyć dokładność i wydajność operacji finansowych.
8. Automatyczne tłumaczenie: Technologia OCR jest zintegrowana z narzędziami tłumaczeniowymi i aplikacjami do nauki języków, aby konwertować drukowany tekst z języka na inny. Użytkownicy mogą przechwytywać tekst za pomocą urządzeń, a OCR pomaga przetłumaczyć go na pożądany język w czasie rzeczywistym.
9. Archiwizacja i ochrona dokumentów historycznych: OCR jest używany w cyfryzacji materiałów archiwalnych i dokumentów historycznych, zachowując je w formatach cyfrowych na przyszły dostęp, badania i analizy, jednocześnie zapewniając zachowanie cennego dziedzictwa kulturowego.