Konfiguracja OCR dla zaawansowanego czytania

Dane wejściowe

Poniższy wpis z rejestru pojazdów zawiera mieszankę tekstu pisanych wielkimi literami, małymi literami oraz znaków specjalnych (@, $, #, |, *), oraz znaków interpunkcyjnych.

BlackListCharacters uzupełnia białą listę poprzez aktywne wykluczanie znanych symboli zakłócających, takich jak , and*`.

:path=/static-assets/ocr/content-code-examples/how-to/ocr-configurations-for-advanced-reading.cs

using IronOcr;

// Initialize the Tesseract OCR engine
IronTesseract ocr = new IronTesseract();

ocr.Configuration = new TesseractConfiguration
{
    // Whitelist only characters that appear on license plates
    WhiteListCharacters = "ABCDEFGHIJKLMNOPQRSTUVWXYZ0123456789- ",

    // Blacklist common noise characters
    BlackListCharacters = "`~@#$%&*",
};

var ocrInput = new OcrInput();
// Load the input image
ocrInput.LoadImage("advanced-input.png");
// Perform OCR on the input image with ReadPhoto method
var results = ocr.ReadPhoto(ocrInput);

// Print the filtered text result to the console
Console.WriteLine(results.Text);

Imports IronOcr

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

ocr.Configuration = New TesseractConfiguration With {
    ' Whitelist only characters that appear on license plates
    .WhiteListCharacters = "ABCDEFGHIJKLMNOPQRSTUVWXYZ0123456789- ",
    
    ' Blacklist common noise characters
    .BlackListCharacters = "`~@#$%&*"
}

Dim ocrInput As New OcrInput()
' Load the input image
ocrInput.LoadImage("advanced-input.png")
' Perform OCR on the input image with ReadPhoto method
Dim results = ocr.ReadPhoto(ocrInput)

' Print the filtered text result to the console
Console.WriteLine(results.Text)

Wynik

Filtrowanie na podstawie białej listy jest wyraźnie widoczne w wynikach:

• "Plate: ABC-1234" staje się "P ABC-1234". Mała litera w słowie "late:" została pominięta, natomiast numer rejestracyjny został zachowany dokładnie.
• "VIN: 1HGBH41JXMN109186" staje się "VIN 1HGBH41JXMN109186". Dwukropek został pominięty, ale wielkie litery w skrócie VIN oraz pełny numer zostały zachowane.
• "Właściciel: john.doe@email.com" staje się "O". Cały tekst pisany małymi literami oraz znaki interpunkcyjne zostały usunięte.
• "Region: CA-90210 | "Zone #5" staje się "R CA-90210 Z 5". Znak rury (|) and hash (#) są usuwane, natomiast wielkie litery i cyfry pozostają.
• "Opłata: 125,00 $ + podatek*" staje się "F 12500". Znak dolara, przecinek dziesiętny, znak Plus oraz mała litera "tax" zostały usunięte.
• "Ref: ~record_v2^final" staje się "R 2". Znaki tyldy (~), podkreślenia, karetki (^) oraz wszystkie małe litery są usuwane.

To samo podejście WhiteListCharacters i BlackListCharacters sprawdza się w przypadku każdego typu dokumentu, nie tylko tablic rejestracyjnych. W następnej sekcji pokazano, jak rozszerzyć odczyt, aby wykrywać BARCODE-y i struktury tabel w tym samym przebiegu.

Dane wejściowe

single-line-label.png to wąska etykieta wysyłkowa zawierająca dokładnie jedną linię tekstu napisana pogrubioną czcionką Courier: SHIPPING LABEL: TRK-2024-XR9-001.

IronTesseract ocr = new IronTesseract();

ocr.Co/nfiguration = new TesseractConfiguration
{
    PageSegmentationMode = TesseractPageSegmentationMode.SingleLine,
};

using OcrInput input = new OcrInput();
input.LoadImage("single-line-label.png");

OcrResult result = ocr.Read(input);
Console.WriteLine(result.Text);

IronTesseract ocr = new IronTesseract();

ocr.Co/nfiguration = new TesseractConfiguration
{
    PageSegmentationMode = TesseractPageSegmentationMode.SingleLine,
};

using OcrInput input = new OcrInput();
input.LoadImage("single-line-label.png");

OcrResult result = ocr.Read(input);
Console.WriteLine(result.Text);

Imports IronOcr

Dim ocr As New IronTesseract()

ocr.Configuration = New TesseractConfiguration With {
    .PageSegmentationMode = TesseractPageSegmentationMode.SingleLine
}

Using input As New OcrInput()
    input.LoadImage("single-line-label.png")

    Dim result As OcrResult = ocr.Read(input)
    Console.WriteLine(result.Text)
End Using

W przypadku zeskanowanej strony z nieregularnym rozmieszczeniem tekstu SparseText odzyskuje więcej treści niż Auto.

Dane wejściowe

receipt-scan.png to paragon termiczny ze sklepu Corner Market zawierający cztery pozycje (kawa, babeczka, sok, batonik musli), separator w postaci linii przerywanej, sumę częściową, podatek i sumę całkowitą. Jest to rodzaj układu, w którym segmentacja stałoblokowa pomija wpisy znajdujące się w różnych pozycjach poziomych.

IronTesseract ocr = new IronTesseract();

ocr.Co/nfiguration = new TesseractConfiguration
{
    PageSegmentationMode = TesseractPageSegmentationMode.SparseText,
};

using OcrInput input = new OcrInput();
input.LoadImage("receipt-scan.png");

OcrResult result = ocr.Read(input);
Console.WriteLine(result.Text);

IronTesseract ocr = new IronTesseract();

ocr.Co/nfiguration = new TesseractConfiguration
{
    PageSegmentationMode = TesseractPageSegmentationMode.SparseText,
};

using OcrInput input = new OcrInput();
input.LoadImage("receipt-scan.png");

OcrResult result = ocr.Read(input);
Console.WriteLine(result.Text);

Imports IronOcr

Dim ocr As New IronTesseract()

ocr.Configuration = New TesseractConfiguration With {
    .PageSegmentationMode = TesseractPageSegmentationMode.SparseText
}

Using input As New OcrInput()
    input.LoadImage("receipt-scan.png")

    Dim result As OcrResult = ocr.Read(input)
    Console.WriteLine(result.Text)
End Using

Po dostosowaniu segmentacji układu do typu dokumentu, kolejnym krokiem jest kontrolowanie formatu wyjściowego na potrzeby dalszego przetwarzania.

Dane wejściowe

scanned-document.pdf to jednostronicowy list biznesowy od IronOCR Solutions Ltd. (z dnia 15 marca 2024 r., nr referencyjny DOC-2024-OCR-0315). Wynik jest zapisywany jako searchable-output.pdf.

IronTesseract ocr = new IronTesseract();

ocr.Co/nfiguration = new TesseractConfiguration
{
    RenderSearchablePdf = true,
};

using OcrInput input = new OcrInput();
input.LoadPdf("scanned-document.pdf");

OcrResult result = ocr.Read(input);
result.SaveAsSearchablePdf("searchable-output.pdf");

IronTesseract ocr = new IronTesseract();

ocr.Co/nfiguration = new TesseractConfiguration
{
    RenderSearchablePdf = true,
};

using OcrInput input = new OcrInput();
input.LoadPdf("scanned-document.pdf");

OcrResult result = ocr.Read(input);
result.SaveAsSearchablePdf("searchable-output.pdf");

Imports IronTesseract

Dim ocr As New IronTesseract()

ocr.Configuration = New TesseractConfiguration With {
    .RenderSearchablePdf = True
}

Using input As New OcrInput()
    input.LoadPdf("scanned-document.pdf")

    Dim result As OcrResult = ocr.Read(input)
    result.SaveAsSearchablePdf("searchable-output.pdf")
End Using

Wynik

Wynikiem jest plik PDF, który wygląda identycznie jak plik źródłowy, ale zawiera ukrytą warstwę tekstową. Otwórz searchable-output.pdf i użyj skrótu Ctrl+F, aby sprawdzić, czy osadzony tekst można wyszukiwać i kopiować.

RenderHocr generuje dokument hOCR, plik HTML, który koduje treść tekstową wraz ze współrzędnymi ramki ograniczającej dla każdego słowa. Jest to przydatne, gdy narzędzia niższego szczebla wymagają precyzyjnego pozycjonowania słów, na przykład silniki redakcyjne lub narzędzia do analizy układu dokumentu.

Dane wejściowe

document-page.png to strona dokumentu z nagłówkiem "Podsumowanie kwartalne Q1 2024" oraz dwoma akapitami danych finansowych dotyczących przychodów, kosztów operacyjnych i czynników wzrostu. Wynik jest zapisywany jako output.html.

IronTesseract ocr = new IronTesseract();

ocr.Co/nfiguration = new TesseractConfiguration
{
    RenderHocr = true,
};

using OcrInput input = new OcrInput();
input.LoadImage("document-page.png");

OcrResult result = ocr.Read(input);
result.SaveAsHocrFile("output.html");

IronTesseract ocr = new IronTesseract();

ocr.Co/nfiguration = new TesseractConfiguration
{
    RenderHocr = true,
};

using OcrInput input = new OcrInput();
input.LoadImage("document-page.png");

OcrResult result = ocr.Read(input);
result.SaveAsHocrFile("output.html");

Imports IronTesseract

Dim ocr As New IronTesseract()

ocr.Configuration = New TesseractConfiguration With {
    .RenderHocr = True
}

Using input As New OcrInput()
    input.LoadImage("document-page.png")

    Dim result As OcrResult = ocr.Read(input)
    result.SaveAsHocrFile("output.html")
End Using

Wynik

output.html koduje każde rozpoznane słowo za pomocą współrzędnych jego prostokąta ograniczającego. Otwórz plik w przeglądarce, aby sprawdzić strukturę hOCR, lub przekaż go do kolejnego narzędzia w celu analizy układu lub redakcji.

Oba flagi można włączyć jednocześnie, jeśli potrzebujesz wszystkich trzech formatów wyjściowych (zwykły tekst, PDF z możliwością wyszukiwania i hOCR) z jednego wywołania odczytu.

Te flagi wyjściowe działają niezależnie od odczytywanego języka, w tym w przypadku alfabetów innych niż łaciński. W następnej sekcji pokazano, jak zastosować filtrowanie znaków do tekstu w języku japońskim.

Dane wejściowe

Dokument zawiera tytuł (テスト), zdanie w języku japońskim łączące hiraganę i katakanę z wariantami znaków dźwięcznych (プ, で), wiersz z ceną zawierający symbole zakazane (★, ■) oraz kanji (価格), a także wiersz z notatką zawierający kolejny symbol z czarnej listy (§), więcej kanji (購入), dodatkowe warianty znaków dźwięcznych (プ, デ) oraz podstawowe katakana (メモ, ール). Biała lista dopuszcza jedynie podstawowe znaki hiragana, podstawowe znaki katakana, cyfry oraz popularną japońską interpunkcję; Trzy symbole hałasu są wyraźnie umieszczone na czarnej liście.

Zakresy znaków Unicode dla hiragana i katakana są przekazywane jako literały łańcuchowe w WhiteListCharacters, a symbole zakłóceń są wymienione w BlackListCharacters.

:path=/static-assets/ocr/content-code-examples/how-to/ocr-configurations-for-advanced-reading-jp.cs

using IronOcr;
using System.IO;

IronTesseract ocr = new IronTesseract();

ocr.Configuration = new TesseractConfiguration
{
    // Whitelist only Hiragana, Katakana, numbers, and common Japanese punctuation
    WhiteListCharacters = "あいうえおかきくけこさしすせそたちつてとなにぬねのはひふへほまみむめもやゆよらりるれろわをん" +
                            "アイウエオカキクケコサシスセソタチツテトナニヌネノハヒフヘホマミムメモヤユヨラリルレロワヲン" +
                            "0123456789、。？！（）¥ー",

    // Blacklist common noise/symbols you want to ignore
    BlackListCharacters = "★■§",
};

var ocrInput = new OcrInput();

// Load Japanese input image
ocrInput.LoadImage("jp.png");

// Perform OCR on the input image with ReadPhoto method
var results = ocr.ReadPhoto(ocrInput);

// Write the text result directly to a file named "output.txt"
File.WriteAllText("output.txt", results.Text);

// You can add this line to confirm the file was saved:
Console.WriteLine("OCR results saved to output.txt");

Imports IronOcr
Imports System.IO

Dim ocr As New IronTesseract()

ocr.Configuration = New TesseractConfiguration With {
    .WhiteListCharacters = "あいうえおかきくけこさしすせそたちつてとなにぬねのはひふへほまみむめもやゆよらりるれろわをん" &
                           "アイウエオカキクケコサシスセソタチツテトナニヌネノハヒフヘホマミムメモヤユヨラリルレロワヲン" &
                           "0123456789、。？！（）¥ー",
    .BlackListCharacters = "★■§"
}

Dim ocrInput As New OcrInput()

' Load Japanese input image
ocrInput.LoadImage("jp.png")

' Perform OCR on the input image with ReadPhoto method
Dim results = ocr.ReadPhoto(ocrInput)

' Write the text result directly to a file named "output.txt"
File.WriteAllText("output.txt", results.Text)

' You can add this line to confirm the file was saved:
Console.WriteLine("OCR results saved to output.txt")

Wynik

Pełny, przefiltrowany wynik jest dostępny w postaci pliku tekstowego: jp-output.txt.

Ponieważ biała lista zawiera tylko podstawowe znaki hiragana i katakana, pominięto pochodne warianty znaków z oznaczeniem dźwięczności, takie jak プ (pu) i デ (de). Znaki kanji, takie jak 価格 (cena) i 購入 (zakup), są również wykluczone, ponieważ nie znajdują się w zestawie znaków z białej listy. Symbole z czarnej listy, takie jak ★, ■ i §, są aktywnie usuwane niezależnie od białej listy.