Optical Character Recognition (OCR) jest teraz kluczową technologią do przetwarzania dokumentów, szczególnie faktur. Znacząco się rozwinęła, wpływając na różne sektory od edukacji po przemysł. Oprogramowanie OCR zmniejsza potrzebę ręcznego wprowadzania danych, a programiści mogą wykorzystać liczne typy API do przetwarzania faktur do tworzenia aplikacji oprogramowania do przetwarzania faktur.

W tym artykule przeanalizujemy trzy oprogramowania i biblioteki do OCR faktur open-source w języku C#. Omawiamy również IronOCR, opcję premium dla programistów poszukujących zaawansowanych możliwości OCR w projektach C#.

Tesseract OCR

Tesseract OCR, pierwotnie opracowany przez Hewlett-Packard, a obecnie utrzymywany przez Google, jest potężnym silnikiem OCR open-source. Jest zdolny do obsługi różnych typów dokumentów i ich konwersji w użyteczne dane. Dzięki obsłudze wielu języków jest to cenne źródło dla globalnych przedsiębiorstw.

Programiści C# doceniają Tesseract OCR ze względu na jego wszechstronność i dokładność w ekstrakcji danych. Dzięki integracji Tesseract z aplikacjami oprogramowania, programiści mogą efektywnie przetwarzać faktury, wyodrębniając istotne informacje, takie jak zamówienia zakupu i kwoty podatku. Wyodrębnione dane mogą następnie zostać wykorzystane do identyfikacji numerów faktur i pozycji z faktur PDF.

Capabilities and Features of Tesseract OCR in C#

Integracja w aplikacjach .NET: Integracja Tesseract OCR w projekty C# obejmuje użycie pakietu SDK Tesseract .NET lub wrappera. To zapewnia efektywny sposób włączenia funkcji OCR podczas pracy w znanym środowisku .NET.

Rozpoznawanie tekstu: Tesseract OCR doskonale rozpoznaje i wyodrębnia tekst z różnych formatów obrazów. Jest znakomity w przetwarzaniu szerokiej gamy typów dokumentów, od zeskanowanych dokumentów i plików PDF, po obrazy uchwycone w trudnych warunkach oświetleniowych lub pod różnymi kątami.

Wsparcie dla wielu języków: Tesseract obsługuje ponad 100 języków, co czyni go niesamowicie wszechstronnym dla globalnych aplikacji, które przetwarzają tekst z różnych źródeł językowych.

Dostosowywanie i trening: Tesseract umożliwia programistom trenowanie silnika z nowymi czcionkami i językami, oferując dopasowane rozwiązania OCR, które odpowiadają na specyficzne potrzeby biznesowe lub typy dokumentów.

Emgu CV

Emgu CV C# to wrapper .NET dla biblioteki OpenCV, umożliwiający programistom łatwe korzystanie z funkcji OpenCV w projektach C#. Zapewnia bogaty zestaw narzędzi do przetwarzania obrazów i wizji komputerowej, co jest przydatne do przetwarzania faktur w celu wyodrębnienia danych strukturalnych.

Emgu CV korzysta z silnika Tesseract OCR do wyodrębniania tekstu z obrazów i dokumentów, co jest kluczowym krokiem do dokładnej ekstrakcji danych z faktur. Podstawowa metoda uzywana to Tesseract.Recognize(), ktora przeksztalca tekst obrazu w edytowalne i przeszukiwalne dane.

Zalety Emgu CV

Wieloplatformowe: Emgu CV działa na każdej platformie obsługującej .NET, w tym na iOS, Androidzie, Mac OS, Linuksie i Windowsie.

Wiele języków: Poza C#, Emgu CV jest dostępny w kilku językach, w tym VB.NET, C++, oraz IronPython, z obszernym przykładowym kodem i solidnym wsparciem dokumentacji.

At9T

At9T, znany również jako (a9t9), oferuje darmowe oprogramowanie OCR, które wyodrębnia dane z PDFów i obrazów przy pomocy przyjaznego interfejsu graficznego. Całkowicie napisany w C#, zapewnia łatwy sposób konwersji PDFów na przeszukiwalne dokumenty.

Jego intuicyjny GUI poszerza jego atrakcyjność poza programistów, oferując użytkownikom proste rozwiązania jednym kliknięciem. Nadaje się zarówno do użytku osobistego, jak i profesjonalnego, skutecznie obsługując różne zadania OCR. Użytkownicy mogą przesyłać faktury PDF i wyodrębniać dane takie jak daty faktur, pozycje i sumy przez proste naciśnięcie przycisku.

Funkcje At9T

Przyjazny interfejs użytkownika: Interfejs został zaprojektowany z myślą o łatwości użytkowania, umożliwiając nawet osobom bez wcześniejszego doświadczenia łatwe poruszanie się po nim.

Wsparcie dla wielu języków: Obsługuje różne języki, w tym angielski, niderlandzki, japoński, koreański i inne.

Przetwarzanie wsadowe: Możliwość przetwarzania wielu plików jednocześnie, co oszczędza czas przy wyodrębnianiu danych z licznych dokumentów.

Przedstawiamy IronOCR: Zaawansowane rozwiązanie OCR

Jak omówiono wcześniej, opcje open-source, jak Tesseract i Emgu CV, mogą być trudne do integracji bez dodatkowych komponentów, takich jak wrapery czy wcześniejsze doświadczenie z OpenCV. Ponadto, At9T może nie być odpowiedni dla złożonych dokumentów.

Aby pokonać te wyzwania, IronOCR oferuje zaawansowaną alternatywę. Jako biblioteka .NET, rozszerza możliwości silnika Tesseract 5 o dodatkowe funkcje i łatwo integruje się z projektami .NET.

IronOCR obsługuje różne formaty dokumentów, w tym PDF, PNG, JPG, BMP, itd., działa na wielu platformach .NET i wspiera OCR w ponad 125 językach, czyniąc go produktem OCR globalnego zasięgu. Wykorzystuje uczenie maszynowe dla lepszego rozpoznawania tekstu.

Najważniejsze cechy IronOCR

Elastyczność wejścia: Obsługuje różne formaty, takie jak obrazy (JPG, PNG, BMP), pliki wielostronicowe/frazy (TIFF, GIF), obiekty System.Drawing, strumienie i PDFy z optymalizowanym DPI.

Zaawansowane filtry: Oferuje filtry do korekcji obrazów (wyostrzanie, poprawa rozdzielczości, itd.) oraz korekcję kolorów dla zapewnienia optymalnej jakości przed OCR.

Wybór regionu: Umożliwia wybór specyficznych obszarów dokumentu do OCR za pomocą CropRectangle.

Wynik danych: Oferuje wynik danych jako łańcuchy tekstowe .NET, kody kreskowe, dane QR i obrazy.

Dane strukturalne: Wyprowadza dane strukturalne według stron, bloków, paragrafów, linii, słów i znaków.

Eksport dokumentów: Umożliwia eksport jako przeszukiwalne PDFy, HTML lub obrazy.

Podkreślanie tekstu i zapisywanie: Funkcje do podkreślania i zapisywania tekstu na różnych poziomach szczegółowości.

Języki i ramy: Obsługuje C#, VB.NET, F# i jest kompatybilny z różnymi ramami .NET.

Systemy operacyjne: Kompatybilny z Windows, macOS, Linux, Docker, Azure i AWS.

Wsparcie IDE: W pełni wspierany w Microsoft Visual Studio oraz JetBrains ReSharper & Rider.

Przykład

Poniżej znajduje się przykładowy fragment kodu do wyodrębnienia danych z faktury przy użyciu IronOCR:

// Create an instance of IronTesseract
var tesseract = new IronTesseract();

// Create an OcrInput object
using (var input = new OcrInput("sample_invoice.png")) // Pass the image path directly to constructor
{
    // Read and store OcrResults object
    var result = tesseract.Read(input);

    // Get all text from the OCR result
    string allText = result.Text;

    // Print the extracted text to the console
    Console.WriteLine(allText);
}

// Create an instance of IronTesseract
var tesseract = new IronTesseract();

// Create an OcrInput object
using (var input = new OcrInput("sample_invoice.png")) // Pass the image path directly to constructor
{
    // Read and store OcrResults object
    var result = tesseract.Read(input);

    // Get all text from the OCR result
    string allText = result.Text;

    // Print the extracted text to the console
    Console.WriteLine(allText);
}

' Create an instance of IronTesseract
Dim tesseract = New IronTesseract()

' Create an OcrInput object
Using input = New OcrInput("sample_invoice.png") ' Pass the image path directly to constructor
	' Read and store OcrResults object
	Dim result = tesseract.Read(input)

	' Get all text from the OCR result
	Dim allText As String = result.Text

	' Print the extracted text to the console
	Console.WriteLine(allText)
End Using

' Create an instance of IronTesseract
Dim tesseract = New IronTesseract()

' Create an OcrInput object
Using input = New OcrInput("sample_invoice.png") ' Pass the image path directly to constructor
	' Read and store OcrResults object
	Dim result = tesseract.Read(input)

	' Get all text from the OCR result
	Dim allText As String = result.Text

	' Print the extracted text to the console
	Console.WriteLine(allText)
End Using

Dane wyjściowe wyodrębnione z obrazu faktury są pokazane poniżej:

Kolejna analiza danych może przekształcić te rozpoznane dane w formaty takie jak CSV, co ułatwia ich obsługę.

Wnioski

Podsumowując, wdrażając technologię OCR do wyodrębnienia tekstu z obrazów i dokumentów, istnieje kilka opcji. Tesseract OCR, Emgu CV i At9T to solidne narzędzia open-source, każde z unikalnymi zaletami.

Dla potrzeb wymagajacych wiekszej sofistyki, szczegolnie w fakturach OCR, IronOCR oferuje solidne rozwiazanie z opcjami licencyjnymi zaczynajacymi sie od $999.

Bez względu na to, czy jesteś programistą chcącym dodać możliwości odczytu tekstu do projektu, czy firmą pragnącą poprawić zarządzanie dokumentami, wybór narzędzia powinien odpowiadać konkretnym potrzebom, biorąc pod uwagę zarówno darmowe opcje, jak i bardziej zaawansowane rozwiązania, jak IronOCR.