Tesseract vs. Microsoft OCR: Comparação direta

Principais características do Tesseract OCR

• Código Aberto: O Tesseract está disponível gratuitamente para uso, modificação e distribuição por qualquer pessoa sob os termos da Licença Apache 2.0. Seu design de código aberto ajudou muito na sua ampla adoção e melhoria contínua, graças às contribuições da comunidade.
• Suporte a Idiomas: O Tesseract é capaz de reconhecer mais de 100 diferentes scripts e conjuntos de caracteres além de idiomas. É apropriado para uma ampla gama de aplicações OCR em vários idiomas e áreas geográficas devido à sua capacidade multilíngue.
• Precisão: O Tesseract é bem conhecido por sua excelente precisão de reconhecimento de texto, particularmente quando configurado corretamente e treinado com dados pertinentes. Ele pode extrair texto de forma confiável de fotos com uma variedade de problemas, incluindo ângulos distorcidos, baixa qualidade e iluminação inadequada.
• Opções: O Tesseract fornece uma grande quantidade de opções de configuração e personalização. Para casos de uso específicos, os usuários podem ajustar vários parâmetros para maximizar o desempenho do OCR. Além disso, o Tesseract pode ser acoplado a uma variedade de plataformas e linguagens de programação, como Java, C++, Python e C#, permitindo que os desenvolvedores aproveitem suas capacidades em uma ampla gama de aplicações.
• O Tesseract passa por desenvolvimento e manutenção constantes, com novos recursos adicionados regularmente para aumentar sua precisão, desempenho e suporte a idiomas. A comunidade de código aberto do Tesseract apoia seu desenvolvimento contínuo, garantindo que ele continue sendo uma ferramenta OCR de última geração.

Instalar Tesseract OCR Para .NET

Instalar o Tesseract OCR no seu computador é o primeiro passo. O repositório oficial do Tesseract no GitHub é onde você pode obter o instalador do Tesseract: https://github.com/tesseract-ocr/tesseract.

Para instalar o Tesseract OCR no seu computador, siga as instruções de configuração que são específicas para o seu sistema operacional (Windows, macOS ou Linux). Depois de instalar o Tesseract OCR, use o Gerenciador de Pacotes NuGet do Visual Studio para adicionar o wrapper Tesseract.NET ao seu projeto C#.

Navegue até Ferramentas -> Gerenciador de Pacotes NuGet -> Gerenciar Pacotes NuGet para Solução depois de abrir seu projeto C# no Visual Studio. Você deve conseguir localizar o pacote chamado 'Tesseract' ou 'Tesseract.NET' fazendo uma pesquisa por 'Tesseract' no Gerenciador de Pacotes NuGet. Para incluir o pacote no seu projeto, escolha-o e clique em Instalar.

Tesseract OCR using C#

Siga estes passos para usar o Tesseract no seu projeto C#:

using Tesseract;

class Program
{
    static void Main(string[] args)
    {
        // Initialize the Tesseract engine with the path to your Tesseract installation and the desired language(s)
        using (var engine = new TesseractEngine(@"path_to_tesseract_folder", "eng", EngineMode.Default))
        {
            // Load the image from which to extract text
            using (var img = Pix.LoadFromFile("image.png"))
            {
                // Process the image and extract the text
                using (var page = engine.Process(img))
                {
                    // Get the extracted text
                    var text = page.GetText();
                    Console.WriteLine(text); // Print the extracted text
                }
            }
        }
    }
}

using Tesseract;

class Program
{
    static void Main(string[] args)
    {
        // Initialize the Tesseract engine with the path to your Tesseract installation and the desired language(s)
        using (var engine = new TesseractEngine(@"path_to_tesseract_folder", "eng", EngineMode.Default))
        {
            // Load the image from which to extract text
            using (var img = Pix.LoadFromFile("image.png"))
            {
                // Process the image and extract the text
                using (var page = engine.Process(img))
                {
                    // Get the extracted text
                    var text = page.GetText();
                    Console.WriteLine(text); // Print the extracted text
                }
            }
        }
    }
}

Para fazer isso, forneça a localização do seu diretório de instalação do Tesseract e o idioma ou os idiomas que você deseja utilizar nas opções do construtor TesseractEngine. Substitua "eng" pelo código da língua ou línguas que deseja usar (por exemplo, "eng" para Inglês) e "path_to_tesseract_folder" com o caminho real para o diretório de instalação do Tesseract.

Depois de configurar o Tesseract no seu projeto C#, agora você pode utilizar suas funcionalidades OCR para extrair texto de imagens. A instância TesseractEngine pode ser usada para processar uma imagem uma vez que tenha sido carregada utilizando a classe Pix para extrair texto ou executar OCR em um arquivo de imagem, substituindo "image.png" pelo caminho do arquivo de imagem.

Principais características

• Integração com Serviços Cognitivos Azure: O Microsoft OCR funciona em uníssono com os Serviços Cognitivos Azure, uma coleção de APIs e serviços Microsoft Azure impulsionados por IA. Com esta conexão, os desenvolvedores podem facilmente integrar funções do Microsoft OCR em aplicações e fluxos de trabalho usando APIs REST, SDKs e bibliotecas de clientes.
• Alta Precisão e Desempenho: Devido aos seus modelos sofisticados de aprendizado de máquina que foram treinados em enormes conjuntos de dados, o Microsoft OCR fornece reconhecimento de texto com alta precisão e desempenho. Com sua capacidade de extrair texto de maneira precisa de fotos com layouts intrincados e vários tipos de letra, é apropriado para uma ampla gama de aplicações OCR.
• Escalabilidade e Confiabilidade: O Microsoft OCR, um componente dos Serviços Cognitivos Azure, proporciona escalabilidade e confiabilidade, tornando-o apropriado para aplicações com diferentes requisitos de processamento. Ele pode gerenciar com eficiência grandes quantidades de documentos e múltiplos pedidos de uma só vez, garantindo tempo de atividade e desempenho estável.
• Suporte Multilíngue: O Microsoft OCR, como outros programas OCR, permite o reconhecimento multilíngue, permitindo aos usuários extrair texto de fotos em uma variedade de idiomas e conjuntos de caracteres. É apropriado para aplicações globais com uma variedade de necessidades de idioma graças ao seu suporte multilíngue.

Você deve combinar o Microsoft OCR com os Serviços Cognitivos Azure—mais especificamente, a API Computer Vision—para usá-lo em um projeto C#. Aqui está como você pode começar:

Criar uma Conta Azure

Você deve criar uma conta Azure se ainda não tiver uma. Você pode criar uma conta Azure gratuita e ter acesso a vários serviços durante o período de teste.

Configurar os Serviços Cognitivos do Azure

O serviço de Computer Vision nos Serviços Cognitivos do Azure deve ser configurado quando você tiver uma conta Azure.

• Abra o Portal Azure.
• Procure por "Computer Vision" clicando em "Criar um recurso".
• Clique em "Criar" após selecionar o serviço de Computer Vision.
• Para configurar o serviço, escolha a assinatura e o plano de preços seguindo as instruções.
• Após o serviço ser criado, vá ao recurso e salve a chave de assinatura e o URL do endpoint; você precisará deles para verificar a autenticidade de suas consultas.

Instalar o SDK dos Serviços Cognitivos do Azure

Utilizar o Microsoft Azure é possível. Para se comunicar com a API de Computer Vision em seu projeto C#, use o pacote NuGet CognitiveServices.Vision.ComputerVision.

Navegue para Ferramentas -> Gerenciador de Pacotes NuGet e, em seguida, Gerenciar Pacotes NuGet para Solução após abrir seu projeto C# no Visual Studio.

Instale o pacote fazendo uma busca por "Microsoft.Azure.CognitiveServices.Vision.ComputerVision".

Principais características do IronOCR

• Integração Simples: Você pode incorporar o IronOCR em seus projetos C# ou VB.NET com facilidade, utilizando pacotes NuGet ou acessando a biblioteca diretamente em seu projeto.
• OCR Versátil: IronOCR pode reconhecer texto de uma ampla gama de fontes, como capturas de tela, documentos digitalizados, arquivos PDF e fotografias. É capaz de lidar com vários tipos de imagem, incluindo BMP, TIFF, PNG e JPEG.
• Reconhecimento de Texto Preciso: IronOCR alcança excelente precisão de reconhecimento de texto utilizando algoritmos OCR sofisticados. O texto em fotografias com diferentes resoluções, fontes e fundos pode ser confiavelmente extraído com ele.
• Suporte para Vários Idiomas: IronOCR é adequado para aplicações multilíngues porque pode reconhecer vários idiomas. Ele permite treinamento de linguagem personalizado e vem com pacotes de idioma embutidos para idiomas populares.
• Extração de Texto de PDF: PDFs digitalizados e baseados em imagem podem ter seu texto extraído pelo IronOCR. Ao remover texto de documentos PDF, ele pode manter o formato e layout originais do conteúdo.
• Pré-processamento de Imagem: Antes do processamento OCR, o IronOCR pode melhorar a qualidade das imagens de entrada através de recursos de pré-processamento de imagem. Isso cobre tarefas como correção de inclinação, modificação de contraste e redução de ruído.

IronOCR Using C#

Aqui está um exemplo básico em C# usando IronOCR:

// Create an instance of IronTesseract
var Ocr = new IronTesseract(); // nothing to configure
// Set the language and Tesseract version to be used for OCR
Ocr.Language = OcrLanguage.EnglishBest;
Ocr.Configuration.TesseractVersion = TesseractVersion.Tesseract5;

// Prepare the image input and perform OCR
using (var Input = new OcrInput())
{
    // Add the image for OCR processing
    Input.AddImage(@"Demo.png");
    // Read the text from the image
    var Result = Ocr.Read(Input);
    // Print the recognized text
    Console.WriteLine(Result.Text);
    Console.ReadKey(); // Wait for user input before closing
}

// Create an instance of IronTesseract
var Ocr = new IronTesseract(); // nothing to configure
// Set the language and Tesseract version to be used for OCR
Ocr.Language = OcrLanguage.EnglishBest;
Ocr.Configuration.TesseractVersion = TesseractVersion.Tesseract5;

// Prepare the image input and perform OCR
using (var Input = new OcrInput())
{
    // Add the image for OCR processing
    Input.AddImage(@"Demo.png");
    // Read the text from the image
    var Result = Ocr.Read(Input);
    // Print the recognized text
    Console.WriteLine(Result.Text);
    Console.ReadKey(); // Wait for user input before closing
}

Podemos extrair dados da imagem com a maior precisão OCR usando o código mencionado acima. Além disso, o IronOCR facilita a conversão de texto extraído de documentos em formatos de arquivo editáveis, incluindo Word. O documento digitalizado também pode ser transformado em um PDF pesquisável por nós. Com o IronOCR, o resultado pode ser armazenado em vários formatos de saída OCR. Para saber mais sobre o código, consulte aqui.

Imagem de Origem:

Resultado: