Jak OCR z wizją komputerową poprawia dokładność rozpoznawania tekstu

Jaka jest relacja między wizją komputerową a OCR?

Wizja komputerowa obejmuje szersze dziedziny nauki maszynowej interpretacji informacji wizualnych, podczas gdy OCR skupia się konkretnie na konwersji drukowanego lub odręcznego tekstu w pliku obrazu na tekst zakodowany maszynowo. Optical character recognition działa jako wyspecjalizowana aplikacja w ramach wizji komputerowej, wykorzystując wiele z tych samych podstawowych technik analizy obrazów i rozpoznawania wzorców.

Nowoczesny zestaw operacji OCR składa się z trzech powiązanych ze sobą etapów. Wykrywanie tekstu identyfikuje regiony tekstu w zeskanowanym obrazie, które zawierają pojedyncze znaki, izolując te obszary od tła, grafiki i innych elementów wizualnych. Przetwarzanie wstępne obrazów następnie ulepsza te wykryte regiony, korygując zniekształcenia i poprawiając kontrast, by uczynić obrazy znaków bardziej wyróżnialnymi. Na koniec, rozpoznawanie znaków stosuje dopasowywanie wzorców i wnioskowanie sieci neuronowych do konwersji wizualnej reprezentacji każdego przechowywanego glifu na jego odpowiadający tekst cyfrowy.

Tradycyjna technologia OCR borykała się z problemami, gdy którykolwiek z tych etapów napotkał niedoskonałe wejście. Lekko obrócony skan mógł wytworzyć kompletny nonsens, podczas gdy niskiej rozdzielczości obrazy wejściowe lub wydrukowane dokumenty z wzorami tła często całkowicie zawodziły. Techniki wizji komputerowej radzą sobie z tymi ograniczeniami, czyniąc każdy etap rurociągu bardziej adaptacyjnym i odpornym, umożliwiając pomyślne rozpoznawanie w dokumentach biznesowych, wyciągach bankowych i nawet notatkach pisanych ręcznie.

Najszybszym sposobem sprawdzenia działania OCR w swoim projekcie .NET jest uruchomienie podstawowego przebiegu rozpoznawania:

using IronOcr;

// Initialize the optical character reader
var ocr = new IronTesseract();

// Load scanned document or image file
using var input = new OcrInput();
input.LoadImage("document.png");

// Perform text recognition and data extraction
OcrResult result = ocr.Read(input);
Console.WriteLine(result.Text);

using IronOcr;

// Initialize the optical character reader
var ocr = new IronTesseract();

// Load scanned document or image file
using var input = new OcrInput();
input.LoadImage("document.png");

// Perform text recognition and data extraction
OcrResult result = ocr.Read(input);
Console.WriteLine(result.Text);

Imports IronOcr

' Initialize the optical character reader
Dim ocr As New IronTesseract()

' Load scanned document or image file
Using input As New OcrInput()
    input.LoadImage("document.png")

    ' Perform text recognition and data extraction
    Dim result As OcrResult = ocr.Read(input)
    Console.WriteLine(result.Text)
End Using

Powyższy kod demonstruje najprostszy przepływ pracy OCR za pomocą IronOCR. Klasa IronTesseract zapewnia zarządzanie otoczeniem dla silnika Tesseract 5, podczas gdy OcrInput obsługuje ładowanie plików graficznych i konwersję formatu. Dla czystych, dobrze sformatowanych dokumentów tekstowych taka podstawowa metoda optycznego rozpoznawania tekstu często wystarcza. Jednakże, rzeczywiste zeskanowane dokumenty rzadko przychodzą w nieskazitelnym stanie, co sprawia, że przetwarzanie wstępne staje się niezbędne do dokładnego wyodrębniania tekstu.

Jak przetwarzanie wstępne obrazu poprawia rozpoznawanie tekstu?

Przetwarzanie wstępne obrazu stosuje operacje wizji komputerowej do poprawy jakości wejściowej przed analizą przez silnik OCR. Te transformacje rozwiązują najczęstsze przyczyny niepowodzeń OCR: rotację, szumy, niski kontrast i niewystarczającą rozdzielczość. Każda technika przetwarzania wstępnego jest skierowana na określony defekt obrazu, a strategiczne ich łączenie może uratować drukowane dokumenty i zeskanowane obrazy, które w przeciwnym razie byłyby nieczytelne.

Deskewing koryguje niewspółosiowości obrotowe, które występują, gdy dokumenty są skanowane pod kątem. Nawet niewielkie obroty znacząco wpływają na dokładność OCR, ponieważ oprogramowanie do optycznego rozpoznawania znaków oczekuje, że linie tekstu będą biegły poziomo. Operacja prostowania analizuje kąty linii tekstu i stosuje korekcyjne obroty, aby wyrównać zawartość.

Redukcja szumów usuwa artefakty cyfrowe, plamy i zniekształcenia wprowadzone przez skaner, które mogą być błędnie zinterpretowane jako pojedyncze znaki. Wzory tła, ślady kurzu i artefakty kompresji tworzą szumy, które zakłócają dokładne segmentowanie znaków w oryginalnym obrazie.

Binarizacja konwertuje obrazy na czyste czarno-białe, eliminując informacje o kolorze i gradienty skali szarości. To uproszczenie pomaga mechanizmowi rozpoznawania wyraźniej odróżnić drukowany tekst od tła, szczególnie w dokumentach z kolorowym papierem lub wyblakłym drukiem, gdzie identyfikacja liter staje się wyzwaniem.

Ulepszenie rozdzielczości zwiększa gęstość pikseli dla skanów lub fotografii niskiej jakości. Wyższa rozdzielczość dostarcza więcej szczegółów dla oprogramowania OCR do analizy, zwiększając jego zdolność do odróżnienia podobnie wyglądających znaków i umożliwiając skuteczne rozpoznawanie nawet na zepsutym wejściu.

using IronOcr;

var ocr = new IronTesseract();

// Load poor quality scan for document processing
using var input = new OcrInput();
input.LoadImage("low-quality-scan.jpg");

// Apply preprocessing filters for improved accuracy
input.Deskew();                   // Correct rotational skew in scanned image
input.DeNoise();                  // Remove digital artifacts from input
input.Binarize();                 // Convert to black and white for text extraction
input.EnhanceResolution(300);     // Boost to 300 DPI for single character clarity

OcrResult result = ocr.Read(input);
Console.WriteLine($"Extracted: {result.Text}");

using IronOcr;

var ocr = new IronTesseract();

// Load poor quality scan for document processing
using var input = new OcrInput();
input.LoadImage("low-quality-scan.jpg");

// Apply preprocessing filters for improved accuracy
input.Deskew();                   // Correct rotational skew in scanned image
input.DeNoise();                  // Remove digital artifacts from input
input.Binarize();                 // Convert to black and white for text extraction
input.EnhanceResolution(300);     // Boost to 300 DPI for single character clarity

OcrResult result = ocr.Read(input);
Console.WriteLine($"Extracted: {result.Text}");

Imports IronOcr

Dim ocr As New IronTesseract()

' Load poor quality scan for document processing
Using input As New OcrInput()
    input.LoadImage("low-quality-scan.jpg")

    ' Apply preprocessing filters for improved accuracy
    input.Deskew()                   ' Correct rotational skew in scanned image
    input.DeNoise()                  ' Remove digital artifacts from input
    input.Binarize()                 ' Convert to black and white for text extraction
    input.EnhanceResolution(300)     ' Boost to 300 DPI for single character clarity

    Dim result As OcrResult = ocr.Read(input)
    Console.WriteLine($"Extracted: {result.Text}")
End Using

Ten przykład łączy wiele filtrów wstępnego przetwarzania przed wykonaniem OCR. Metoda Deskew() analizuje dokument i stosuje korekcję obrotową, podczas gdy DeNoise() usuwa plamki i artefakty z obrazu tekstowego. Wywołanie Binarize() konwertuje zeskanowany obraz do czarno-białego dla czystszego wyodrębnienia tekstu, a EnhanceResolution() zwiększa obraz do 300 DPI -- zalecanego minimum dla dokładnego rozpoznawania znaków.

Kolejność zastosowania filtra ma znaczenie. Prostowanie zwykle powinno być wykonywane wcześnie w łańcuchu, ponieważ kolejne filtry działają lepiej na odpowiednio wyrównanych obrazach. Redukcja szumów przed binaryzacją pomaga zapobiegać trwałemu zakodowaniu artefaktów w konwersji czarno-białej. Przeprowadzanie eksperymentów z kombinacjami filtrów dla określonych typów dokumentów często ujawnia optymalną sekwencję dla danego przypadku użycia, niezależnie od tego, czy aplikacja OCR przetwarza faktury, paragony, dokumenty pacjentów czy zeskanowane umowy.

Jakie Modele Uczenia Głębokiego Zasila Współczesny OCR?

Współczesne silniki OCR polegają na architekturach uczenia głębokiego, które zrewolucjonizowały dokładność rozpoznawania tekstu. W przeciwieństwie do tradycyjnych podejść, które dopasowywały znaki do zdefiniowanych szablonów, modele OCR oparte na sieciach neuronowych uczą się rozpoznawać wzorce tekstowe z ogromnych zestawów treningowych, co umożliwia im znacznie skuteczniejsze radzenie sobie z wariacjami czcionek, stylami pisma ręcznego i uszkodzonymi obrazami. To podejście do uczenia maszynowego zasila dzisiejsze najbardziej zaawansowane rozwiązania OCR.

Przewód rozpoznawania zazwyczaj łączy dwa typy sieci neuronowych. Sieci splotowe (CNN) doskonale wyodrębniają cechy z obrazów. Te sieci przetwarzają obraz wejściowy przez wiele warstw, które stopniowo identyfikują coraz bardziej skomplikowane wzorce — od podstawowych krawędzi i krzywych po pełne kształty znaków. CNN generują mapę cech, która koduje wizualne cechy obszaru tekstu, radząc sobie zarówno z drukowanymi, jak i ręcznie pisanymi tekstami z lepszą dokładnością.

Następnie sieci długa i krótka pamięć (LSTM) przetwarzają te cechy jako sekwencję, rozpoznając, że tekst cyfrowy płynie w określonej kolejności. LSTM utrzymuje pamięć poprzednich wejść, pozwalając im zrozumieć kontekst i radzić sobie z sekwencyjną naturą języka pisanego. Ta kombinacja — często nazywana CRNN (Convolutional Recurrent Neural Network) — stanowi kręgosłup współczesnej dokładności OCR i umożliwia inteligentne rozpoznawanie znaków w wielu językach.

Silnik Tesseract 5, który zasila IronOCR, wdraża tę architekturę opartą na LSTM, reprezentując znaczące usprawnienie w porównaniu do wcześniejszych wersji, które polegały wyłącznie na tradycyjnym rozpoznawaniu wzorców. Podejście oparte na sieciach neuronowych obsługuje specyficzne czcionki, częściowe zasłonięcia i degradacje obrazu, które zwyciężają systemy OCR oparte na szablonach.

using IronOcr;

var ocr = new IronTesseract();

// Configure OCR engine for multilingual text recognition
ocr.Language = OcrLanguage.English;  // IronOCR supports 125+ languages

// Process PDF with mixed handwriting styles and printed text
using var input = new OcrInput("web-report.pdf");
input.Deskew();

OcrResult result = ocr.Read(input);

// Access detailed recognition data including text regions
foreach (var page in result.Pages)
{
    Console.WriteLine($"Page {page.PageNumber}: {page.Text}");
}

using IronOcr;

var ocr = new IronTesseract();

// Configure OCR engine for multilingual text recognition
ocr.Language = OcrLanguage.English;  // IronOCR supports 125+ languages

// Process PDF with mixed handwriting styles and printed text
using var input = new OcrInput("web-report.pdf");
input.Deskew();

OcrResult result = ocr.Read(input);

// Access detailed recognition data including text regions
foreach (var page in result.Pages)
{
    Console.WriteLine($"Page {page.PageNumber}: {page.Text}");
}

Imports IronOcr

Dim ocr As New IronTesseract()

' Configure OCR engine for multilingual text recognition
ocr.Language = OcrLanguage.English  ' IronOCR supports 125+ languages

' Process PDF with mixed handwriting styles and printed text
Using input As New OcrInput("web-report.pdf")
    input.Deskew()

    Dim result As OcrResult = ocr.Read(input)

    ' Access detailed recognition data including text regions
    For Each page In result.Pages
        Console.WriteLine($"Page {page.PageNumber}: {page.Text}")
    Next
End Using

Klasa IronTesseract zapewnia dostęp do możliwości sieci neuronowych Tesseract 5 przez czysty interfejs .NET. Obiekt OcrResult zwrócony zawiera nie tylko wyodrębniony tekst, ale także dane strukturalne, w tym strony, paragrafy, linie i poszczególne słowa wraz z ich wskaźnikami zaufania i współrzędnymi obwiedni.

Jak Włączyć OCR na Terenie dla Formularzy i Tabel?

OCR na teren ogranicza rozpoznawanie do zdefiniowanych obszarów obrazu, co jest przydatne, gdy dokumenty zawierają konkretne strefy zainteresowania, takie jak pola formularzy, pozycje linii faktur lub komórki tabel. To ukierunkowane podejście poprawia zarówno szybkość, jak i dokładność, koncentrując zasoby obliczeniowe na istotnej zawartości.

using IronOcr;
using IronSoftware.Drawing;

var ocr = new IronTesseract();

using var input = new OcrInput();
input.LoadImage("invoice.jpg");

// Define a crop region for the total amount field (x, y, width, height in pixels)
var totalRegion = new CropRectangle(x: 600, y: 800, width: 300, height: 50);
input.AddRegion(totalRegion);

OcrResult result = ocr.Read(input);
Console.WriteLine($"Invoice total: {result.Text}");

using IronOcr;
using IronSoftware.Drawing;

var ocr = new IronTesseract();

using var input = new OcrInput();
input.LoadImage("invoice.jpg");

// Define a crop region for the total amount field (x, y, width, height in pixels)
var totalRegion = new CropRectangle(x: 600, y: 800, width: 300, height: 50);
input.AddRegion(totalRegion);

OcrResult result = ocr.Read(input);
Console.WriteLine($"Invoice total: {result.Text}");

Imports IronOcr
Imports IronSoftware.Drawing

Dim ocr As New IronTesseract()

Using input As New OcrInput()
    input.LoadImage("invoice.jpg")

    ' Define a crop region for the total amount field (x, y, width, height in pixels)
    Dim totalRegion As New CropRectangle(x:=600, y:=800, width:=300, height:=50)
    input.AddRegion(totalRegion)

    Dim result As OcrResult = ocr.Read(input)
    Console.WriteLine($"Invoice total: {result.Text}")
End Using

Łącząc OCR na teren z progami zaufania, masz szczegółową kontrolę nad jakością danych. Dla dokumentów finansowych i materiałów prawnych, oznaczanie dowolnego słowa poniżej poziomu zaufania 85% do wtórnej weryfikacji jest praktyczną bazą. Możesz dostroić próg w zależności od typu dokumentu, w oparciu o jakość skanów napływających z każdego źródła.

Dowiedz się więcej o OCR na teren i prostokąty przycięcia w dokumentacji IronOCR.

Jak Programiści Mogą Programowo Optymalizować Dokładność OCR?

Poza stosowaniem standardowych filtrów wstępnego przetwarzania, możesz dostosować, jak OCR działa dla określonych typów dokumentów i wymagań jakościowych. Ocena zaufania, automatyczna optymalizacja filtrów i generowanie przeszukiwalnych PDF, wszystko to przyczynia się do maksymalizacji dokładności rozpoznawania w aplikacjach produkcyjnych, które muszą niezawodnie rozpoznawać tekst w różnych typach dokumentów.

Oceny zaufania wskazują, jak pewny jest silnik co do każdego rozpoznanego elementu. Analizowanie tych ocen pomaga identyfikować problematyczne obszary, które mogą wymagać ręcznej weryfikacji lub alternatywnego podejścia do przetwarzania. Aplikacje mogą ustawiać progi zaufania, poniżej których wyniki są oznaczane do przeglądu — co jest niezbędne dla wrażliwych dokumentów wymagających wysokiej dokładności.

using IronOcr;

var ocr = new IronTesseract();

// Load business document for OCR processing
using var input = new OcrInput("receipt.jpg");

// Let the system determine optimal preprocessing for OCR accuracy
string suggestedCode = OcrInputFilterWizard.Run(
    "receipt.jpg",
    out double confidence,
    ocr);

Console.WriteLine($"Achieved confidence: {confidence:P1}");
Console.WriteLine($"Optimal filter chain: {suggestedCode}");

// Apply recommended filters for successful recognition
input.DeNoise();
input.Deskew();

OcrResult result = ocr.Read(input);

// Analyze word-level confidence for extracted text
foreach (var word in result.Words)
{
    if (word.Confidence < 0.85)
    {
        Console.WriteLine($"Low confidence: '{word.Text}' ({word.Confidence:P0})");
    }
}

using IronOcr;

var ocr = new IronTesseract();

// Load business document for OCR processing
using var input = new OcrInput("receipt.jpg");

// Let the system determine optimal preprocessing for OCR accuracy
string suggestedCode = OcrInputFilterWizard.Run(
    "receipt.jpg",
    out double confidence,
    ocr);

Console.WriteLine($"Achieved confidence: {confidence:P1}");
Console.WriteLine($"Optimal filter chain: {suggestedCode}");

// Apply recommended filters for successful recognition
input.DeNoise();
input.Deskew();

OcrResult result = ocr.Read(input);

// Analyze word-level confidence for extracted text
foreach (var word in result.Words)
{
    if (word.Confidence < 0.85)
    {
        Console.WriteLine($"Low confidence: '{word.Text}' ({word.Confidence:P0})");
    }
}

Imports IronOcr

Dim ocr As New IronTesseract()

' Load business document for OCR processing
Using input As New OcrInput("receipt.jpg")

    ' Let the system determine optimal preprocessing for OCR accuracy
    Dim confidence As Double
    Dim suggestedCode As String = OcrInputFilterWizard.Run("receipt.jpg", confidence, ocr)

    Console.WriteLine($"Achieved confidence: {confidence:P1}")
    Console.WriteLine($"Optimal filter chain: {suggestedCode}")

    ' Apply recommended filters for successful recognition
    input.DeNoise()
    input.Deskew()

    Dim result As OcrResult = ocr.Read(input)

    ' Analyze word-level confidence for extracted text
    For Each word In result.Words
        If word.Confidence < 0.85 Then
            Console.WriteLine($"Low confidence: '{word.Text}' ({word.Confidence:P0})")
        End If
    Next
End Using

OcrInputFilterWizard analizuje obraz i testuje różne kombinacje filtrów, aby określić, który łańcuch wstępnego przetwarzania daje najwyższe wyniki zaufania. To zautomatyzowane podejście eliminuje domysły przy obsłudze nieznanych typów dokumentów. Przewodnik zwraca zarówno osiągnięty poziom zaufania, jak i kod potrzebny do odtworzenia optymalnej konfiguracji, usprawniając rozwój aplikacji OCR do procesów biznesowych.

Analiza zaufania na poziomie słów wykazana w pętli zapewnia szczegółową ocenę jakości. Aplikacje przetwarzające dokumenty finansowe, rejestry pacjentów lub materiały prawne często wymagają takiego poziomu badania, aby zapewnić, że wyodrębnione dane spełniają standardy dokładności. Słowa spadające poniżej progu zaufania mogą uruchomić procesy wtórnej weryfikacji alebo alternatywne próby rozpoznawania, wspierając przepływy zarządzania danymi wymagające niezawodności.

using IronOcr;

var ocr = new IronTesseract();

using var input = new OcrInput("scanned-contract.pdf");
input.Deskew();
input.DeNoise();

OcrResult result = ocr.Read(input);

// Export as searchable PDF with embedded text layer
result.SaveAsSearchablePdf("searchable-contract.pdf");
Console.WriteLine("Searchable PDF saved successfully.");

using IronOcr;

var ocr = new IronTesseract();

using var input = new OcrInput("scanned-contract.pdf");
input.Deskew();
input.DeNoise();

OcrResult result = ocr.Read(input);

// Export as searchable PDF with embedded text layer
result.SaveAsSearchablePdf("searchable-contract.pdf");
Console.WriteLine("Searchable PDF saved successfully.");

Imports IronOcr

Dim ocr As New IronTesseract()

Using input As New OcrInput("scanned-contract.pdf")
    input.Deskew()
    input.DeNoise()

    Dim result As OcrResult = ocr.Read(input)

    ' Export as searchable PDF with embedded text layer
    result.SaveAsSearchablePdf("searchable-contract.pdf")
    Console.WriteLine("Searchable PDF saved successfully.")
End Using

Jak Porównać Wydajność OCR w Różnych Typach Dokumentów?

Różne kategorie dokumentów — drukowane formularze, rękopisy, transmisje faksem niskiej jakości i uchwyty z kamer o wysokiej rozdzielczości — reagują różnie na ustawienia wstępnego przetwarzania i rozpoznawania. Porównywanie swojego pipeline z reprezentatywnymi próbkami z każdej kategorii ujawnia, gdzie istnieją luki w dokładności i które filtry należy dostroić.

Te poprawy dokładności są szacunkowe kierunkowo i opierają się na badaniach nad ilościowym efektem wstępnego przetwarzania z akademickich badań benchmarkingowych OCR. Rzeczywiste wyniki mogą się różnić w zależności od sprzętu skanującego, wieku dokumentu i złożoności zawartości. Uruchomienie OcrInputFilterWizard na własnym zbiorze próbek daje empiryczne dane specyficzne dla Twojego pipeline.

Odkryj pełną listę dostępnych filtrów wstępnego przetwarzania IronOCR, aby zrozumieć wszystkie dostępne opcje przy dostrajaniu pipeline.

Jakie Są Kluczowe Funkcje IronOCR dla Przetwarzania Dokumentów Produkcyjnych?

Podczas wdrażania OCR w produkcji, kilka możliwości IronOCR, poza podstawowym rozpoznawaniem, staje się ważnych dla niezawodności i przepustowości. Zrozumienie tych funkcji pomaga zaprojektować pipeline, który skalę bez utraty dokładności.

Obsługa wsadu wprowadzenia wieloformatowego — IronOCR akceptuje obrazy (PNG, JPEG, TIFF, BMP, GIF, WEBP), pliki PDF i wielostronicowe TIFF-y za pośrednictwem pojedynczego zunifikowanego API. To oznacza, że możesz obsłużyć dowolny format, który dociera ze stacji skanujących, załączników e-mail lub systemów zarządzania dokumentami, bez pisania ścieżek kodowych specyficznych dla formatu.

Bezpieczeństwo wątków -- Klasa IronTesseract jest bezpieczna do użycia w wielowątkowości, gdy utworzysz pojedynczy instans i udostępnisz go pomiędzy wątkami. Dla aplikacji o wysokiej przepustowości, utwórz jedną instancję na wątek lub użyj puli, aby unikać konfliktów blokowania na podtylnej maszynie Tesseract.

Współprzetwarzanie kodów paskowych i QR — IronOCR może czytać kody paskowe i QR z tego samego obrazu podczas jednego przejścia, eliminując potrzebę oddzielnej biblioteki do przetwarzania dokumentów o mieszanej zawartości, takich jak etykiety wysyłkowe czy arkusze inwentaryzacyjne.

Opcje formatu wyjściowego — Poza zwykłym tekstem, IronOCR może zwracać strukturalne dane w formacie HOCR, eksportować bezpośrednio do przeszukiwalnych plików PDF i dostarczać słowa-pola obwiedni nadające się dla downstream'owych przepływów ekstrakcji danych.

Przeglądaj pełną listę przegląd funkcji IronOCR, aby zobaczyć całą funkcjonalność przed finalizowaniem swojej architektury.

Jakie są Twoje kolejne kroki?

Techniki wizji komputerowej fundamentalnie transformują optyczne rozpoznawanie znaków z technologii, która działa tylko z idealnym wejściem, w technologię zdolną do obsługi nieuporządkowanej rzeczywistości zeskanowanych dokumentów, fotografii i zdegradowanych obrazów. Etap wstępnego przetwarzania — wyrównanie, redukcja szumów, binarizacja i polepszenie rozdzielczości — zajmuje się fizycznymi defektami uchwycenia, podczas gdy architektury takie jak CNN-LSTM dostarczają inteligencji do rozpoznawania skryptów, aby dokładnie interpretować różnorodne czcionki i style pisma ręcznego.

Dla deweloperów .NET, IronOCR pakuje te możliwości w zarządzaną bibliotekę, która upraszcza integrację z Tesseract, dodając udoskonalenia praktyczne do użytkowania produkcyjnego. Połączenie automatycznej optymalizacji wstępnego przetwarzania, szczegółowego raportowania zaufania i strukturalnych danych wynikowych umożliwia systemy przetwarzania dokumentów, które działają niezawodnie w szerokim zakresie rzeczywistych danych wejściowych — od dokumentów drukowanych po notatki pisemne — i wspierają wielojęzyczne OCR w wielu językach.

Aby kontynuować:

• Pobierz bezpłatną wersję próbną IronOCR i uruchom przykłady kodu podane w tym przewodniku na własnych dokumentach
• Przeglądnij samouczki IronOCR dla przewodników krok po kroku omawiających typowe przypadki użycia, takie jak ekstrakcja tekstu z PDF, czytanie pól formularzy i przetwarzanie wsadowe
• Odkryj dokumentację API IronOCR, aby zrozumieć pełne możliwości IronTesseract, OcrInput i OcrResult
• Sprawdź opcje licencyjne IronOCR, aby wybrać odpowiedni plan dla scenariusza wdrożenia