Como criar reconhecimento de caracteres em C#

Motor OCR Tesseract Aprimorado

IronOCR eleva as capacidades do amplamente utilizado motor Tesseract OCR ao melhorar tanto a precisão quanto a velocidade. Ele serve como uma solução robusta para extração de texto de várias fontes, incluindo imagens, PDFs e diversos formatos de documentos.

Ampla Cobertura de Idiomas

Com suporte para mais de 125 idiomas, o IronOCR é habilidoso em lidar com requisitos multilíngues, tornando-se uma escolha ideal para aplicações que demandam versatilidade linguística.

Opções de Saída Versáteis

O texto extraído pode ser convenientemente exportado como texto simples ou dados estruturados para integração perfeita em pipelines de processamento adicionais. Além disso, IronOCR facilita a criação de PDFs pesquisáveis diretamente de entradas de imagem.

Adaptabilidade Multi-Plataforma

Projetado para compatibilidade com C#, F#, e VB.NET, o IronOCR opera perfeitamente em vários ambientes .NET, incluindo versões 8, 7, 6, Core, Padrão, e Framework.

Aproveitamento do Tesseract 5

IronOCR utiliza o poder do Tesseract 5, cuidadosamente adaptado para desempenho ideal dentro do ecossistema .NET.

Capacidade OCR Baseada em Zona

Com o IronOCR, os usuários podem definir precisamente zonas específicas dentro dos documentos, permitindo o processamento OCR direcionado. Este recurso melhora a precisão e a eficiência ao focar a potência de processamento onde é mais necessária.

Ferramentas de Pré-Processamento de Imagem

A biblioteca oferece um conjunto de funcionalidades de pré-processamento de imagem, como correção de inclinação e redução de ruído. Essas ferramentas garantem resultados superiores, mesmo ao lidar com imagens de origem imperfeitas, melhorando a experiência geral de OCR.

Agora, vamos desenvolver um aplicativo de demonstração que utiliza IronOCR para ler texto de imagens.

Explicação do código

1. Instância do IronTesseract: Começamos criando uma instância do IronTesseract para realizar operações de OCR.
2. Carregando Imagem: Carregamos a imagem de exemplo no objeto OcrInput.
3. Lendo Texto: O texto na imagem é lido, e o resultado é impresso no console.

Saída

Seleção de Idioma

Você pode especificar o idioma para OCR usando a propriedade Language. Por exemplo, para definir o idioma como inglês, use:

IronTesseract ocr = new IronTesseract();
ocr.Language = OcrLanguage.English;

IronTesseract ocr = new IronTesseract();
ocr.Language = OcrLanguage.English;

Dim ocr As New IronTesseract()
ocr.Language = OcrLanguage.English

Modo de Segmentação de Página

O PageSegmentationMode determina como o Tesseract segmenta a imagem de entrada. As opções incluem AutoOsd, SingleBlock, SingleLine e mais. Por exemplo:

ocr.Configuration.PageSegmentationMode = TesseractPageSegmentationMode.AutoOsd;

ocr.Configuration.PageSegmentationMode = TesseractPageSegmentationMode.AutoOsd;

ocr.Configuration.PageSegmentationMode = TesseractPageSegmentationMode.AutoOsd

Variáveis Personalizadas do Tesseract

Você pode ajustar o Tesseract configurando variáveis específicas. Por exemplo, para desativar a paralelização:

ocr.Configuration.TesseractVariables["tessedit_parallelize"] = false;

ocr.Configuration.TesseractVariables["tessedit_parallelize"] = false;

ocr.Configuration.TesseractVariables("tessedit_parallelize") = False

Listagem Branca e Listagem Negativa de Caracteres

Use WhiteListCharacters e BlackListCharacters para controlar quais caracteres o Tesseract reconhece. Por exemplo:

ocr.Configuration.WhiteListCharacters = "ABCDEFGHIJKLMNOPQRSTUVWXYZ";
ocr.Configuration.BlackListCharacters = "`ë|^";

ocr.Configuration.WhiteListCharacters = "ABCDEFGHIJKLMNOPQRSTUVWXYZ";
ocr.Configuration.BlackListCharacters = "`ë|^";

ocr.Configuration.WhiteListCharacters = "ABCDEFGHIJKLMNOPQRSTUVWXYZ"
ocr.Configuration.BlackListCharacters = "`ë|^"

Variáveis de Configuração Adicionais

Explore outras variáveis de configuração do Tesseract para personalizar o comportamento de acordo com suas necessidades. Por exemplo:

ocr.Configuration.TesseractVariables["classify_num_cp_levels"] = 3;
ocr.Configuration.TesseractVariables["textord_debug_tabfind"] = 0;
// ... (more variables)

ocr.Configuration.TesseractVariables["classify_num_cp_levels"] = 3;
ocr.Configuration.TesseractVariables["textord_debug_tabfind"] = 0;
// ... (more variables)

ocr.Configuration.TesseractVariables("classify_num_cp_levels") = 3
ocr.Configuration.TesseractVariables("textord_debug_tabfind") = 0
' ... (more variables)

Agora vamos tentar decodificar a mesma imagem usando configurações avançadas

using IronOcr;

public class Program
{
    public static void Main()
    {
        Console.WriteLine("Decoding using advanced features");
        var ocrTesseract = new IronTesseract() // Create instance
        {
            Language = OcrLanguage.EnglishBest, // Configure best English language
            Configuration = new TesseractConfiguration()
            {
                ReadBarCodes = false, // Disable reading barcodes
                BlackListCharacters = "`ë|^", // Blacklisted characters
                WhiteListCharacters = null, // No whitelist, allow all
                PageSegmentationMode = TesseractPageSegmentationMode.AutoOsd,
                TesseractVariables = null, // No custom variables used
            },
            MultiThreaded = false,
        };

        using var ocrInput = new OcrInput(); // Create a disposible ocr input object
        ocrInput.AddImage(@"sample1.png"); // Load the sample image
        var ocrResult = ocrTesseract.Read(ocrInput); // Read the text from the image
        Console.WriteLine(ocrResult.Text); // Output the text
    }
}

using IronOcr;

public class Program
{
    public static void Main()
    {
        Console.WriteLine("Decoding using advanced features");
        var ocrTesseract = new IronTesseract() // Create instance
        {
            Language = OcrLanguage.EnglishBest, // Configure best English language
            Configuration = new TesseractConfiguration()
            {
                ReadBarCodes = false, // Disable reading barcodes
                BlackListCharacters = "`ë|^", // Blacklisted characters
                WhiteListCharacters = null, // No whitelist, allow all
                PageSegmentationMode = TesseractPageSegmentationMode.AutoOsd,
                TesseractVariables = null, // No custom variables used
            },
            MultiThreaded = false,
        };

        using var ocrInput = new OcrInput(); // Create a disposible ocr input object
        ocrInput.AddImage(@"sample1.png"); // Load the sample image
        var ocrResult = ocrTesseract.Read(ocrInput); // Read the text from the image
        Console.WriteLine(ocrResult.Text); // Output the text
    }
}

Imports IronOcr

Public Class Program
	Public Shared Sub Main()
		Console.WriteLine("Decoding using advanced features")
		Dim ocrTesseract = New IronTesseract() With {
			.Language = OcrLanguage.EnglishBest,
			.Configuration = New TesseractConfiguration() With {
				.ReadBarCodes = False,
				.BlackListCharacters = "`ë|^",
				.WhiteListCharacters = Nothing,
				.PageSegmentationMode = TesseractPageSegmentationMode.AutoOsd,
				.TesseractVariables = Nothing
			},
			.MultiThreaded = False
		}

		Dim ocrInput As New OcrInput() ' Create a disposible ocr input object
		ocrInput.AddImage("sample1.png") ' Load the sample image
		Dim ocrResult = ocrTesseract.Read(ocrInput) ' Read the text from the image
		Console.WriteLine(ocrResult.Text) ' Output the text
	End Sub
End Class

Explicação do código

1. Configuração do IronOCR: Uma instância de IronTesseract (a principal classe do IronOCR) é criada e atribuída à variável ocrTesseract.

   Configurações de configuração são aplicadas a ocrTesseract:

• Idioma: Especifica o idioma para OCR (neste caso, inglês).
• Configuração: Um objeto TesseractConfiguration que permite personalização adicional:
  • ReadBarCodes: Desativa a leitura de códigos de barras.
  • BlackListCharacters: Especifica caracteres a serem excluídos (caracteres a não reconhecer).
  • WhiteListCharacters: Nenhuma lista branca especificada, permitindo todos os caracteres.
  • PageSegmentationMode: Define o modo de segmentação de página para "AutoOsd".
  • TesseractVariables: Nenhuma variável personalizada foi utilizada.
    • MultiThreaded: Desativa multithreading.

2. Entrada OCR e Carregamento de Imagem: Um bloco using cria um objeto descartável ocrInput do tipo OcrInput. A imagem "sample1.png" é adicionada ao ocrInput.
3. Extração de Texto: O método Read é chamado em ocrTesseract, passando ocrInput. O resultado é armazenado na variável ocrResult.
4. Saída: O texto extraído é impresso no console usando Console.WriteLine(ocrResult.Text).

Saída

Passo 5: Ajuste de Desempenho da Operação de Leitura do IronOCR.

Ao trabalhar com IronOCR, você tem acesso a vários filtros de imagem que podem ajudar a pré-processar imagens antes de executar OCR. Esses filtros otimizam a qualidade da imagem, melhoram a visibilidade e reduzem ruídos ou artefatos. Eles ajudam a melhorar o desempenho da operação de OCR.

1. Girar:

   O filtro Girar permite que você gire imagens por um número especificado de graus no sentido horário. Para rotação no sentido anti-horário, use números negativos.

2. Desinclinar:

   O filtro Desinclinar corrige a inclinação da imagem, garantindo que o texto fique na vertical e ortogonal. Isso é particularmente útil para OCR porque o Tesseract funciona melhor com digitalizações devidamente orientadas.

3. Escalonar:

   O filtro Escalonar escala proporcionalmente as páginas de entrada do OCR.

4. Binarizar:

   O filtro Binarizar converte cada pixel em preto ou branco, sem meio termo. Ele pode melhorar o desempenho de OCR em casos de contraste muito baixo entre texto e fundo.

5. Para Escala de Cinza:

   O filtro Para Escala de Cinza converte cada pixel em uma tonalidade de cinza. Embora seja improvável que melhore significativamente a precisão do OCR, pode melhorar a velocidade.

6. Inverter:

   O filtro Inverter reverte as cores—branco torna-se preto, e preto torna-se branco.

7. Substituir Cor:

   O filtro Substituir Cor substitui uma cor específica dentro de uma imagem por outra cor, considerando um certo limite.

8. Contraste:

   O filtro Contraste aumenta automaticamente o contraste. Muitas vezes, melhora a velocidade e a precisão do OCR em digitalizações de baixo contraste.

9. Dilatar e Erodir:

   Esses filtros avançados de morfologia manipulam as bordas dos objetos em uma imagem.

   • Dilatar adiciona pixels às bordas dos objetos.
   • Erodir remove pixels das bordas dos objetos.

10. Afiar:

    O filtro Afiar afia documentos de OCR desfocados e achata canais alfa para branco.

11. Reduzir Ruído:

    O filtro Reduzir Ruído remove ruído digital. Use-o onde ruído é esperado.

12. Limpeza Profunda de Ruído de Fundo:

    Este filtro pesado de remoção de ruído de fundo deve ser usado apenas quando um ruído extremo de fundo é conhecido. Ele pode reduzir a precisão do OCR para documentos limpos e é intensivo em CPU.

13. Aprimorar Resolução:

    O filtro Aprimorar Resolução melhora a resolução de imagens de baixa qualidade. Não é frequentemente necessário devido ao manejo automático de resolução.

Aqui está um exemplo de como aplicar filtros usando a IronOCR em C#:

var ocr = new IronTesseract();
var input = new OcrInput();
input.LoadImage("sample.png");
input.Deskew();
var result = ocr.Read(input);
Console.WriteLine(result.Text);

var ocr = new IronTesseract();
var input = new OcrInput();
input.LoadImage("sample.png");
input.Deskew();
var result = ocr.Read(input);
Console.WriteLine(result.Text);

Dim ocr = New IronTesseract()
Dim input = New OcrInput()
input.LoadImage("sample.png")
input.Deskew()
Dim result = ocr.Read(input)
Console.WriteLine(result.Text)

Aplicações Comuns de OCR

1. Digitalização de Documentos: OCR é amplamente usado para converter documentos em papel digitalizados, como faturas, recibos, formulários e contratos, em formatos digitais. Esse processo de digitalização facilita o armazenamento, recuperação e gerenciamento de documentos, reduzindo a desordem de papel e melhorando a eficiência.
2. Extração de Dados: OCR permite a extração de texto e dados de documentos digitalizados, imagens e PDFs. Esses dados extraídos podem ser usados para entrada de dados automatizada, análise de conteúdo, indexação e integração em bancos de dados ou sistemas empresariais.
3. Reconhecimento de Texto em Imagens: A tecnologia OCR permite extrair texto de documentos impressos e imagens para fins de indexação e pesquisa. Essa capacidade é utilizada em várias aplicações, incluindo realidade aumentada, motores de busca baseados em imagem e serviços de tradução.
4. Reconhecimento Automático de Placas de Veículos (ALPR): Os sistemas ALPR utilizam OCR para ler números de placas de veículos a partir de imagens ou fluxos de vídeo capturados por câmeras instaladas em vigilância de tráfego, gerenciamento de estacionamento, cobrança de pedágios e aplicações de aplicação da lei.
5. Soluções de Acessibilidade: OCR desempenha um papel crucial na criação de conteúdo acessível para indivíduos com deficiências visuais. Ao converter texto de imagens ou documentos em fala ou braille, o OCR ajuda a tornar a informação acessível a pessoas com deficiências.
6. Verificação de Identidade: A tecnologia OCR é empregada em processos de verificação de identidade, como digitalização e processamento de documentos de identidade, como passaportes, carteiras de motorista e IDs. Ela auxilia na verificação da autenticidade dos documentos e na extração de informações relevantes para fins de verificação de identidade.
7. Bancos e Finanças: OCR é usado em bancos e finanças para tarefas como leitura de cheques, processamento de faturas, conversão de um documento PDF existente, extração de dados de demonstrações financeiras e automação de fluxos de trabalho baseados em documentos para aumentar a precisão e eficiência nas operações financeiras.
8. Tradução Automatizada: A tecnologia OCR é integrada a ferramentas de tradução e aplicativos de aprendizado de idiomas para converter texto impresso de uma língua para outra. Os usuários podem capturar texto com seus dispositivos, e o OCR auxilia na tradução em tempo real para o idioma desejado.
9. Preservação de Documentos Arquivísticos e Históricos: OCR é utilizado na digitalização de materiais arquivísticos e documentos históricos, preservando-os em formatos digitais para acesso, pesquisa e análise futura, garantindo a preservação do valioso patrimônio cultural.