Jak zbudować usługę OCR w Azure przy użyciu IronOCR

Funkcje IronOCR dla platformy Microsoft Azure

IronOCR zawiera następujące funkcje do tworzenia usługi OCR na platformie Microsoft Azure:

• Przekształca pliki PDF w dokumenty z możliwością wyszukiwania, co ułatwia wyodrębnianie tekstu
• Przekształca obrazy w dokumenty z możliwością wyszukiwania poprzez wyodrębnianie tekstu z obrazów
• Odczytuje zarówno kody kreskowe, jak i kody QR
• Wyjątkowa dokładność
• Działa lokalnie i nie wymaga SaaS (Software as a Service), czyli modelu dystrybucji oprogramowania, w którym dostawca usług w chmurze, taki jak Microsoft Azure, hostuje różne aplikacje i udostępnia je użytkownikom końcowym.
• Błyskawiczna szybkość

Przyjrzyjmy się, w jaki sposób najlepszy silnik OCR, IronOCR firmy Iron Software, ułatwia programistom wyodrębnianie tekstu z dowolnego dokumentu wejściowego.

Zacznijmy od usługi Azure OCR

Aby rozpocząć pracę z przykładem, musimy najpierw zainstalować IronOCR.

1. Utwórz nową aplikację konsolową w języku C#.
2. Zainstaluj IronOCR za pośrednictwem NuGet, wpisując: Install-Package IronOcr lub wybierając Zarządzaj pakietami NuGet i szukając IronOCR. Przykład znajduje się poniżej.

3. Edytuj swój plik Program.cs, aby wyglądał jak poniżej:

   • Importujemy przestrzeń nazw IronOcr, aby wykorzystać jej możliwości OCR do odczytania i wyodrębnienia zawartości pliku PDF.
   • Tworzymy nowy obiekt IronTesseract, aby móc wyodrębnić tekst z obrazu.

using IronOcr;
using System;

namespace IronOCR_Ex
{
    class Program
    {
        static void Main(string[] args)
        {
            var ocr = new IronTesseract();
            using (var Input = new OcrInput("..\\Images\\Purgatory.PNG"))
            {
                var result = ocr.Read(Input); // Read PNG image File
                Console.WriteLine(result.Text); // Output extracted text to console
                Console.ReadLine();
            }
        }
    }
}

using IronOcr;
using System;

namespace IronOCR_Ex
{
    class Program
    {
        static void Main(string[] args)
        {
            var ocr = new IronTesseract();
            using (var Input = new OcrInput("..\\Images\\Purgatory.PNG"))
            {
                var result = ocr.Read(Input); // Read PNG image File
                Console.WriteLine(result.Text); // Output extracted text to console
                Console.ReadLine();
            }
        }
    }
}

Imports IronOcr
Imports System

Namespace IronOCR_Ex
	Friend Class Program
		Shared Sub Main(ByVal args() As String)
			Dim ocr = New IronTesseract()
			Using Input = New OcrInput("..\Images\Purgatory.PNG")
				Dim result = ocr.Read(Input) ' Read PNG image File
				Console.WriteLine(result.Text) ' Output extracted text to console
				Console.ReadLine()
			End Using
		End Sub
	End Class
End Namespace

4. Następnie otwieramy obraz o nazwie Purgatory.PNG. Ten obrazek pochodzi z "Boskiej komedii" Dantego – jednej z moich ulubionych książek. Zdjęcie wygląda tak, jak na poniższym obrazku.

Rysunek 2 – Tekst, który ma zostać wyodrębniony za pomocą funkcji optycznego rozpoznawania znaków IronOCR

5. Wynik po wyodrębnieniu powyższego tekstu z tekstu na powyższym obrazku wejściowym.

Rysunek 3 – Wyodrębniony tekst

6. Zróbmy to samo z dokumentem PDF. Dokument PDF zawiera ten sam tekst do wyodrębnienia, co rysunek 2.

Jedyna różnica polega na tym, że zamiast obrazu użyjemy dokumentu PDF. Wprowadź następujący kod:

var OCR = new IronTesseract();
using (var input = new OcrInput())
{
    input.Title = "Divine Comedy - Purgatory"; // Give title to input document 
    // Supply optional password and name of document
    input.AddPdf("..\\Documents\\Purgatorio.pdf", "dante");
    var result = OCR.Read(input); // Read the input file

    result.SaveAsSearchablePdf("SearchablePDFDocument.pdf"); 
}

var OCR = new IronTesseract();
using (var input = new OcrInput())
{
    input.Title = "Divine Comedy - Purgatory"; // Give title to input document 
    // Supply optional password and name of document
    input.AddPdf("..\\Documents\\Purgatorio.pdf", "dante");
    var result = OCR.Read(input); // Read the input file

    result.SaveAsSearchablePdf("SearchablePDFDocument.pdf"); 
}

Dim OCR = New IronTesseract()
Using input = New OcrInput()
	input.Title = "Divine Comedy - Purgatory" ' Give title to input document
	' Supply optional password and name of document
	input.AddPdf("..\Documents\Purgatorio.pdf", "dante")
	Dim result = OCR.Read(input) ' Read the input file

	result.SaveAsSearchablePdf("SearchablePDFDocument.pdf")
End Using

Ten kod jest prawie taki sam jak poprzedni, który wyodrębnia tekst z obrazu.

Tutaj korzystamy z metody OcrInput, aby odczytać bieżący dokument PDF, w tym przypadku: Purgatorio.pdf. Jeśli w pliku PDF znajdują się metadane, takie jak tytuł lub hasło, możemy je również uwzględnić.

Wynik jest zapisywany jako dokument PDF z funkcją wyszukiwania, w którym można wyszukiwać tekst.

Uwaga: jeśli plik PDF jest zbyt duży, może zostać zgłoszony wyjątek.

7. Wystarczy już o aplikacjach dla systemu Windows; Przyjrzyjmy się, jak możemy wykorzystać OCR w Microsoft Azure.

Zaletą IronOCR jest to, że bardzo dobrze współpracuje z platformą Microsoft Azure jako funkcja Azure w architekturze mikrousług. Oto bardzo krótki przykład tego, jak mogłaby wyglądać funkcja Microsoft Azure Function współpracująca z IronOCR. Ta funkcja Microsoft Azure wyodrębnia tekst z obrazów.

public static class OCRFunction
{
    public static HttpClient hcClient = new HttpClient();

    [FunctionName("IronOCRFunction_EX")]
    public static async Task<IActionResult> Run([HttpTrigger] HttpRequest hrRequest, ExecutionContext ecContext)
    {
        var URI = hrRequest.Query["image"];
        var saStream = await hcClient.GetStreamAsync(URI);

        var ocr = new IronTesseract();
        using (var inputOCR = new OcrInput(saStream))
        {
            var outputOCR = ocr.Read(inputOCR);
            return new OkObjectResult(outputOCR.Text);
        }
    }
} 

public static class OCRFunction
{
    public static HttpClient hcClient = new HttpClient();

    [FunctionName("IronOCRFunction_EX")]
    public static async Task<IActionResult> Run([HttpTrigger] HttpRequest hrRequest, ExecutionContext ecContext)
    {
        var URI = hrRequest.Query["image"];
        var saStream = await hcClient.GetStreamAsync(URI);

        var ocr = new IronTesseract();
        using (var inputOCR = new OcrInput(saStream))
        {
            var outputOCR = ocr.Read(inputOCR);
            return new OkObjectResult(outputOCR.Text);
        }
    }
} 

Public Module OCRFunction
	Public hcClient As New HttpClient()

	<FunctionName("IronOCRFunction_EX")>
	Public Async Function Run(<HttpTrigger> ByVal hrRequest As HttpRequest, ByVal ecContext As ExecutionContext) As Task(Of IActionResult)
		Dim URI = hrRequest.Query("image")
		Dim saStream = Await hcClient.GetStreamAsync(URI)

		Dim ocr = New IronTesseract()
		Using inputOCR = New OcrInput(saStream)
			Dim outputOCR = ocr.Read(inputOCR)
			Return New OkObjectResult(outputOCR.Text)
		End Using
	End Function
End Module

Przekazuje to obraz otrzymany przez funkcję bezpośrednio do silnika OCR w celu wygenerowania wyodrębnionego tekstu.

Krótkie podsumowanie dotyczące platformy Microsoft Azure według Microsoftu:

Mikrousługi Microsoft Azure to podejście architektoniczne do tworzenia aplikacji, w którym każda podstawowa funkcja lub usługa jest tworzona i wdrażana niezależnie. Architektura mikrousług jest rozproszona i luźno powiązana, więc awaria jednego komponentu nie spowoduje awarii całej aplikacji. Niezależne komponenty współpracują ze sobą i komunikują się za pomocą dobrze zdefiniowanych umów API. Twórz aplikacje oparte na mikrousługach, aby sprostać szybko zmieniającym się potrzebom biznesowym i szybciej wprowadzać nowe funkcje na rynek.

Kilka dodatkowych funkcji IronOCR z .NET lub Microsoft Azure obejmuje:

• Możliwość przeprowadzenia OCR na niemal każdym pliku, obrazie lub pliku PDF.
• Błyskawiczna prędkość przetwarzania danych OCR
• Wyjątkowa dokładność
• Odczytuje kody kreskowe i kody QR
• Działa lokalnie, bez konieczności korzystania z SaaS
• Możliwość przekształcania plików PDF i obrazów w dokumenty z możliwością wyszukiwania
• Doskonała alternatywa dla usługi Azure OCR z pakietu Microsoft Cognitive Services

Filtry obrazów poprawiające wydajność OCR

• OcrInput.Rotate - Obraca obrazy o kilka stopni zgodnie z ruchem wskazówek zegara. Aby obrócić w przeciwnym kierunku, użyj liczb ujemnych.
• OcrInput.Binarize() - Ten filtr obrazu zamienia każdy piksel na czarny lub biały bez pośrednich odcieni. Poprawia to wydajność OCR.
• OcrInput.ToGrayScale() - Ten filtr obrazu zamienia każdy piksel na odcień szarości. Zwiększa to szybkość OCR.
• OcrInput.Contrast() - Automatycznie zwiększa kontrast. Ten filtr poprawia szybkość i dokładność OCR w przypadku skanów o niskim kontraście.
• OcrInput.DeNoise() - Usuwa szumy cyfrowe. Tego filtru należy używać tylko tam, gdzie spodziewane są szumy w dokumentach wejściowych.
• OcrInput.Invert() - Odwraca każdy kolor.
• OcrInput.Dilate() - Dylatacja dodaje piksele do krawędzi dowolnego obiektu na obrazie.
• OcrInput.Erode() - Erozja usuwa piksele z krawędzi obiektów.
• OcrInput.Deskew() - Obraca obraz tak, aby był właściwie ustawiony i prostopadły. Jest to bardzo przydatne w przypadku OCR, ponieważ tolerancja Tesseracta na przekrzywione skany może wynosić zaledwie 5 stopni.
• OcrInput.DeepCleanBackgroundNoise() - Usuwanie ciężkich szumów tła.
• OcrInput.EnhanceResolution - Poprawia rozdzielczość niskiej jakości obrazu.

Wydajność

Poniżej znajduje się przykład:

var OCR = new IronTesseract();
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("..\\Images\\Purgatory.PNG"))
{
    var Result = OCR.Read(Input);
    Console.WriteLine(Result.Text);
}

var OCR = new IronTesseract();
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("..\\Images\\Purgatory.PNG"))
{
    var Result = OCR.Read(Input);
    Console.WriteLine(Result.Text);
}

Dim OCR = New IronTesseract()
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("..\Images\Purgatory.PNG")
	Dim Result = OCR.Read(Input)
	Console.WriteLine(Result.Text)
End Using

Ceny i opcje licencyjne

Istnieją zasadniczo trzy poziomy płatnych licencji, z których wszystkie działają na zasadzie jednorazowego zakupu i dożywotniej licencji.

I tak, są one bezpłatne do celów programistycznych.

Dodatkowe informacje

• Dodatkowe zasoby można znaleźć pod poniższym linkiem: Zasoby
• Dokumentację API można znaleźć tutaj: Dokumentacja API
• Pomoc techniczną dotyczącą produktów IronOCR można znaleźć tutaj: Pomoc techniczna
• Kontakt z Iron Software: Dane kontaktowe

Funkcje IronOCR for .NET korzystających z OCR na platformie Azure i innych systemach

• IronOCR obsługuje 125 języków międzynarodowych. Każdy język jest dostępny w jakości Fast, Standard i Best. Niektóre z dostępnych pakietów językowych to:
  • Bułgarski
  • Ormiański
  • Chorwacki
  • Afrikaans
  • Duński
  • Czeski
  • filipiński
  • Fiński
  • Francuski
  • Niemiecki
  • Dostępnych jest wiele innych pakietów językowych. Aby je obejrzeć, kliknij poniższy link. Pakiety językowe IronOCR
• Działa od razu po uruchomieniu w środowisku .NET
  • Obsługa Xamarin
  • Obsługa Mono
  • Obsługa platformy Microsoft Azure
  • Obsługa Docker na platformie Microsoft Azure
  • Obsługuje dokumenty PDF
  • Obsługuje pliki TIFF z wieloma ramkami
  • Obsługa wszystkich głównych formatów obrazów
• Obsługiwane są następujące wersje .NET Framework:
  • .NET Framework 4.5 i nowsze wersje
  • .NET Standard 2
  • .NET Core 2
  • .NET Core 3
  • .NET Core 5
• Nie musisz mieć zainstalowanego Tesseract (open-source silnika OCR, który obsługuje Unicode i ponad 100 języków), aby IronOCR działał.
  • Ma lepszą dokładność niż Tesseract.
  • Ma lepszą szybkość niż Tesseract.
• Koryguje niskiej jakości skany dokumentów lub plików.
• Koryguje niskiej jakości przekrzywione skany dokumentów lub plików.

Czym jest optyczne rozpoznawanie znaków (OCR)?

Według Wikipedii: Optyczne rozpoznawanie znaków to elektroniczna lub mechaniczna konwersja obrazów tekstu pisanego lub drukowanego na tekst zakodowany maszynowo, niezależnie od tego, czy pochodzi z zeskanowanego dokumentu, zdjęcia dokumentu, zdjęcia sceny, czy napisu nakładającego się na obraz. OCR oznacza optyczne rozpoznawanie znaków. Zasadniczo istnieją cztery rodzaje optycznego rozpoznawania znaków:

• OCR - Optyczne Rozpoznawanie Znaków, celuje w tekst pisany na maszynie z dokumentu wejściowego, jeden znak lub glif (elementarny symbol w uzgodnionym zestawie symboli, na przykład, 'a' w różnych fontach) na raz.
• OWR - Optyczne Rozpoznawanie Słów, celuje w tekst pisany na maszynie z dokumentu wejściowego, jedno słowo na raz.
• ICR - Inteligentne Rozpoznawanie Znaków, celuje w tekst drukowany, taki jak pismo drukowane (znaki bez łączenia się z innymi literami) i pismo kursywą, jeden znak lub glif na raz.
• IWR - Inteligentne Rozpoznawanie Słów, celuje w pismo kursywą.