Zaznaczanie tekstu jako obrazów w języku C# za pomocą IronOCR

Jak wygląda plik PDF do tłumaczenia?

Jak zaimplementować kod podświetlania?

Poniższy przykładowy kod ilustruje podstawową implementację z wykorzystaniem klasy OcrInput.

:path=/static-assets/ocr/content-code-examples/how-to/highlight-texts-as-images.cs

using IronOcr;

IronTesseract ocrTesseract = new IronTesseract();

using var ocrInput = new OcrInput();
ocrInput.LoadPdf("document.pdf");
ocrInput.HighlightTextAndSaveAsImages(ocrTesseract, "highlight_page_", ResultHighlightType.Paragraph);

Imports IronOcr

Private ocrTesseract As New IronTesseract()

Private ocrInput = New OcrInput()
ocrInput.LoadPdf("document.pdf")
ocrInput.HighlightTextAndSaveAsImages(ocrTesseract, "highlight_page_", ResultHighlightType.Paragraph)

Co pokazują obrazy wyjściowe?

Jak widać na powyższym obrazku, wszystkie trzy akapity zostały zaznaczone jasnoczerwonym ramkiem. Ta wizualna reprezentacja pomaga programistom szybko zidentyfikować, w jaki sposób silnik OCR dzieli dokument na czytelne bloki.

Jakie są różne opcje ResultHighlightType?

W powyższym przykładzie użyto ResultHighlightType.Paragraph do wyróżnienia bloków tekstu. IronOCR zapewnia dodatkowe opcje podświetlania za pośrednictwem tej enum. Poniżej znajduje się pełna lista dostępnych typów, z których każdy służy do innych celów diagnostycznych.

Znak: Rysuje ramkę wokół każdego znaku wykrytego przez silnik OCR. Przydatne do debugowania rozpoznawania znaków lub specjalistycznych czcionek, szczególnie podczas pracy z niestandardowymi plikami językowymi.

Word: Podkreśla każde kompletne słowo zidentyfikowane przez silnik. Idealne do sprawdzania granic słów i prawidłowej identyfikacji słów, zwłaszcza podczas wdrażania odczytu BarCode i QR wraz z rozpoznawaniem tekstu.

Linia: Podświetla każdą wykrytą linię tekstu. Przydatne w przypadku dokumentów o złożonym układzie, wymagających weryfikacji identyfikacji linii, np. podczas przetwarzania dokumentów zeskanowanych.

Akapit: Podkreśla całe bloki tekstu zgrupowane w akapity. Idealne do zrozumienia układu dokumentu i weryfikacji podziału na bloki tekstowe, szczególnie przydatne podczas pracy z ekstrakcją tabel.

Jak porównać różne typy podświetleń?

Ten obszerny przykład pokazuje generowanie zaznaczeń dla wszystkich różnych typów w tym samym dokumencie, co pozwala porównać wyniki:

using IronOcr;
using System;

// Initialize the OCR engine with custom configuration
IronTesseract ocrTesseract = new IronTesseract();

// Configure for better accuracy if needed
ocrTesseract.Configuration.ReadBarCodes = false; // Disable if not needed for performance
ocrTesseract.Configuration.PageSegmentationMode = TesseractPageSegmentationMode.AutoOsd;

// Load the PDF document
using var ocrInput = new OcrInput();
ocrInput.LoadPdf("document.pdf");

// Generate highlights for each type
Console.WriteLine("Generating character-level highlights...");
ocrInput.HighlightTextAndSaveAsImages(ocrTesseract, "highlight_character_", ResultHighlightType.Character);

Console.WriteLine("Generating word-level highlights...");
ocrInput.HighlightTextAndSaveAsImages(ocrTesseract, "highlight_word_", ResultHighlightType.Word);

Console.WriteLine("Generating line-level highlights...");
ocrInput.HighlightTextAndSaveAsImages(ocrTesseract, "highlight_line_", ResultHighlightType.Line);

Console.WriteLine("Generating paragraph-level highlights...");
ocrInput.HighlightTextAndSaveAsImages(ocrTesseract, "highlight_paragraph_", ResultHighlightType.Paragraph);

Console.WriteLine("All highlight images have been generated successfully!");

using IronOcr;
using System;

// Initialize the OCR engine with custom configuration
IronTesseract ocrTesseract = new IronTesseract();

// Configure for better accuracy if needed
ocrTesseract.Configuration.ReadBarCodes = false; // Disable if not needed for performance
ocrTesseract.Configuration.PageSegmentationMode = TesseractPageSegmentationMode.AutoOsd;

// Load the PDF document
using var ocrInput = new OcrInput();
ocrInput.LoadPdf("document.pdf");

// Generate highlights for each type
Console.WriteLine("Generating character-level highlights...");
ocrInput.HighlightTextAndSaveAsImages(ocrTesseract, "highlight_character_", ResultHighlightType.Character);

Console.WriteLine("Generating word-level highlights...");
ocrInput.HighlightTextAndSaveAsImages(ocrTesseract, "highlight_word_", ResultHighlightType.Word);

Console.WriteLine("Generating line-level highlights...");
ocrInput.HighlightTextAndSaveAsImages(ocrTesseract, "highlight_line_", ResultHighlightType.Line);

Console.WriteLine("Generating paragraph-level highlights...");
ocrInput.HighlightTextAndSaveAsImages(ocrTesseract, "highlight_paragraph_", ResultHighlightType.Paragraph);

Console.WriteLine("All highlight images have been generated successfully!");

Imports IronOcr
Imports System

' Initialize the OCR engine with custom configuration
Dim ocrTesseract As New IronTesseract()

' Configure for better accuracy if needed
ocrTesseract.Configuration.ReadBarCodes = False ' Disable if not needed for performance
ocrTesseract.Configuration.PageSegmentationMode = TesseractPageSegmentationMode.AutoOsd

' Load the PDF document
Using ocrInput As New OcrInput()
    ocrInput.LoadPdf("document.pdf")

    ' Generate highlights for each type
    Console.WriteLine("Generating character-level highlights...")
    ocrInput.HighlightTextAndSaveAsImages(ocrTesseract, "highlight_character_", ResultHighlightType.Character)

    Console.WriteLine("Generating word-level highlights...")
    ocrInput.HighlightTextAndSaveAsImages(ocrTesseract, "highlight_word_", ResultHighlightType.Word)

    Console.WriteLine("Generating line-level highlights...")
    ocrInput.HighlightTextAndSaveAsImages(ocrTesseract, "highlight_line_", ResultHighlightType.Line)

    Console.WriteLine("Generating paragraph-level highlights...")
    ocrInput.HighlightTextAndSaveAsImages(ocrTesseract, "highlight_paragraph_", ResultHighlightType.Paragraph)
End Using

Console.WriteLine("All highlight images have been generated successfully!")

Jak postępować w przypadku dokumentów wielostronicowych?

Podczas przetwarzania wielostronicowych plików PDF lub plików TIFF zawierających wiele klatek funkcja podświetlania automatycznie obsługuje każdą stronę z osobna. Jest to szczególnie przydatne podczas wdrażania procesów ekstrakcji tekstu z plików PDF za pomocą OCR:

using IronOcr;
using System.IO;

IronTesseract ocrTesseract = new IronTesseract();

// Load a multi-page document
using var ocrInput = new OcrInput();
ocrInput.LoadPdf("multi-page-document.pdf");

// Create output directory if it doesn't exist
string outputDir = "highlighted_pages";
Directory.CreateDirectory(outputDir);

// Generate highlights for each page
// Files will be named: highlighted_pages/page_0.png, page_1.png, etc.
ocrInput.HighlightTextAndSaveAsImages(ocrTesseract, 
    Path.Combine(outputDir, "page_"), 
    ResultHighlightType.Word);

// Count generated files for verification
int pageCount = Directory.GetFiles(outputDir, "page_*.png").Length;
Console.WriteLine($"Generated {pageCount} highlighted page images");

using IronOcr;
using System.IO;

IronTesseract ocrTesseract = new IronTesseract();

// Load a multi-page document
using var ocrInput = new OcrInput();
ocrInput.LoadPdf("multi-page-document.pdf");

// Create output directory if it doesn't exist
string outputDir = "highlighted_pages";
Directory.CreateDirectory(outputDir);

// Generate highlights for each page
// Files will be named: highlighted_pages/page_0.png, page_1.png, etc.
ocrInput.HighlightTextAndSaveAsImages(ocrTesseract, 
    Path.Combine(outputDir, "page_"), 
    ResultHighlightType.Word);

// Count generated files for verification
int pageCount = Directory.GetFiles(outputDir, "page_*.png").Length;
Console.WriteLine($"Generated {pageCount} highlighted page images");

Imports IronOcr
Imports System.IO

Dim ocrTesseract As New IronTesseract()

' Load a multi-page document
Using ocrInput As New OcrInput()
    ocrInput.LoadPdf("multi-page-document.pdf")

    ' Create output directory if it doesn't exist
    Dim outputDir As String = "highlighted_pages"
    Directory.CreateDirectory(outputDir)

    ' Generate highlights for each page
    ' Files will be named: highlighted_pages/page_0.png, page_1.png, etc.
    ocrInput.HighlightTextAndSaveAsImages(ocrTesseract, 
                                          Path.Combine(outputDir, "page_"), 
                                          ResultHighlightType.Word)

    ' Count generated files for verification
    Dim pageCount As Integer = Directory.GetFiles(outputDir, "page_*.png").Length
    Console.WriteLine($"Generated {pageCount} highlighted page images")
End Using

Jakie są najlepsze praktyki dotyczące wydajności?

Korzystając z funkcji wyróżniania, należy wziąć pod uwagę następujące najlepsze praktyki:

1. Rozmiar pliku: Podświetlone obrazy mogą być duże, zwłaszcza w przypadku dokumentów o wysokiej rozdzielczości. Podczas przetwarzania dużych partii należy wziąć pod uwagę dostępną przestrzeń w katalogu wyjściowym. Wskazówki dotyczące optymalizacji znajdziesz w naszym przewodniku po szybkiej konfiguracji OCR.

2. Wydajność: Generowanie podświetleń powoduje dodatkowe obciążenie procesora. W przypadku systemów produkcyjnych, w których podświetlanie jest potrzebne tylko sporadycznie, należy wdrożyć je jako oddzielny proces diagnostyczny, a nie jako część głównego przepływu pracy. Rozważ użycie wielowątkowego OCR do przetwarzania wsadowego.

3. Obsługa błędów: Podczas pracy z operacjami na plikach zawsze należy wdrażać odpowiednią obsługę błędów:

try
{
    using var ocrInput = new OcrInput();
    ocrInput.LoadPdf("document.pdf");

    // Apply image filters if needed for better recognition
    ocrInput.Deskew(); // Correct slight rotations
    ocrInput.DeNoise(); // Remove background noise

    ocrInput.HighlightTextAndSaveAsImages(ocrTesseract, "highlight_", ResultHighlightType.Word);
}
catch (Exception ex)
{
    Console.WriteLine($"Error during highlighting: {ex.Message}");
    // Log error details for debugging
}

try
{
    using var ocrInput = new OcrInput();
    ocrInput.LoadPdf("document.pdf");

    // Apply image filters if needed for better recognition
    ocrInput.Deskew(); // Correct slight rotations
    ocrInput.DeNoise(); // Remove background noise

    ocrInput.HighlightTextAndSaveAsImages(ocrTesseract, "highlight_", ResultHighlightType.Word);
}
catch (Exception ex)
{
    Console.WriteLine($"Error during highlighting: {ex.Message}");
    // Log error details for debugging
}

Imports System

Try
    Using ocrInput As New OcrInput()
        ocrInput.LoadPdf("document.pdf")

        ' Apply image filters if needed for better recognition
        ocrInput.Deskew() ' Correct slight rotations
        ocrInput.DeNoise() ' Remove background noise

        ocrInput.HighlightTextAndSaveAsImages(ocrTesseract, "highlight_", ResultHighlightType.Word)
    End Using
Catch ex As Exception
    Console.WriteLine($"Error during highlighting: {ex.Message}")
    ' Log error details for debugging
End Try

W jaki sposób podświetlanie integruje się z wynikami OCR?

Funkcja podświetlania działa płynnie z obiektami wynikowymi IronOCR, umożliwiając korelację wizualnych podświetleń z wyodrębnionymi danymi tekstowymi. Jest to szczególnie przydatne, gdy trzeba track OCR progress lub zweryfikować określone fragmenty rozpoznanego tekstu. Klasa OcrResult dostarcza szczegółowych informacji o każdym wykrytym elemencie, co odpowiada bezpośrednio wizualnym podświetleniom generowanym przez tę metodę.

Co zrobić, jeśli napotkam problemy?

W przypadku problemów z funkcją podświetlania zapoznaj się z ogólnym przewodnikiem rozwiązywania problemów, aby znaleźć typowe rozwiązania. W przypadku konkretnych problemów związanych z wyróżnieniem:

• Puste obrazy wyjściowe: Upewnij się, że dokument wejściowy zawiera czytelny tekst oraz że silnik OCR jest prawidłowo skonfigurowany dla danego typu dokumentu. Może być konieczne zastosowanie filtrów optymalizacji obrazu lub fixing image orientation w celu poprawy rozpoznawalności.
• Brakujące informacje: Niektóre typy dokumentów mogą wymagać specjalnego przetwarzania wstępnego. Spróbuj zastosować filtry obrazu lub fixing image orientation, aby poprawić rozpoznawalność.
• Problemy z wydajnością: W przypadku dużych dokumentów warto rozważyć wdrożenie multithreading w celu poprawy szybkości przetwarzania. Dodatkowo, jeśli pracujesz z materiałami wejściowymi o niskiej jakości, zapoznaj się z naszym przewodnikiem dotyczącym poprawiania skanów o niskiej jakości.

Jak mogę to wykorzystać do debugowania w środowisku produkcyjnym?

Funkcja podświetlania stanowi doskonałe narzędzie do debugowania w środowisku produkcyjnym. Po zintegrowaniu z tokenami przerwania dla długotrwałych operacji i limitów czasu można stworzyć solidny system diagnostyczny. Rozważ wdrożenie trybu debugowania w swojej aplikacji:

public class OcrDebugger
{
    private readonly IronTesseract _tesseract;
    private readonly bool _debugMode;

    public OcrDebugger(bool enableDebugMode = false)
    {
        _tesseract = new IronTesseract();
        _debugMode = enableDebugMode;
    }

    public OcrResult ProcessDocument(string filePath)
    {
        using var input = new OcrInput();
        input.LoadPdf(filePath);

        // Apply preprocessing
        input.Deskew();
        input.DeNoise();

        // Generate debug highlights if in debug mode
        if (_debugMode)
        {
            string debugPath = $"debug_{Path.GetFileNameWithoutExtension(filePath)}_";
            input.HighlightTextAndSaveAsImages(_tesseract, debugPath, ResultHighlightType.Word);
        }

        // Perform actual OCR
        return _tesseract.Read(input);
    }
}

public class OcrDebugger
{
    private readonly IronTesseract _tesseract;
    private readonly bool _debugMode;

    public OcrDebugger(bool enableDebugMode = false)
    {
        _tesseract = new IronTesseract();
        _debugMode = enableDebugMode;
    }

    public OcrResult ProcessDocument(string filePath)
    {
        using var input = new OcrInput();
        input.LoadPdf(filePath);

        // Apply preprocessing
        input.Deskew();
        input.DeNoise();

        // Generate debug highlights if in debug mode
        if (_debugMode)
        {
            string debugPath = $"debug_{Path.GetFileNameWithoutExtension(filePath)}_";
            input.HighlightTextAndSaveAsImages(_tesseract, debugPath, ResultHighlightType.Word);
        }

        // Perform actual OCR
        return _tesseract.Read(input);
    }
}

Imports System.IO

Public Class OcrDebugger
    Private ReadOnly _tesseract As IronTesseract
    Private ReadOnly _debugMode As Boolean

    Public Sub New(Optional enableDebugMode As Boolean = False)
        _tesseract = New IronTesseract()
        _debugMode = enableDebugMode
    End Sub

    Public Function ProcessDocument(filePath As String) As OcrResult
        Using input As New OcrInput()
            input.LoadPdf(filePath)

            ' Apply preprocessing
            input.Deskew()
            input.DeNoise()

            ' Generate debug highlights if in debug mode
            If _debugMode Then
                Dim debugPath As String = $"debug_{Path.GetFileNameWithoutExtension(filePath)}_"
                input.HighlightTextAndSaveAsImages(_tesseract, debugPath, ResultHighlightType.Word)
            End If

            ' Perform actual OCR
            Return _tesseract.Read(input)
        End Using
    End Function
End Class

Co dalej?

Teraz, gdy już wiesz, jak korzystać z funkcji podświetlania, zapoznaj się z:

• Tworzenie plików PDF z możliwością wyszukiwania na podstawie wyników OCR
• Odczytywanie określonych typów dokumentów, takich jak paszporty lub prawa jazdy
• Konfiguracja IronOCR w środowisku programistycznym z wykorzystaniem naszych przewodników dla początkujących
• Wdrożenie obsługi 125 języków międzynarodowych dla aplikacji globalnych
• Optymalizacja przetwarzania obrazów za pomocą Kreatora filtrów

Dla zastosowania w produkcji, pamiętaj, aby uzyskać licencję, aby usunąć znaki wodne i mieć pełen dostęp do funkcjonalności.