Get Started with OCR in C# and VB.NET

Instale com o Gerenciador de Pacotes NuGet

Instale o IronOcr no Visual Studio ou pela linha de comando usando o Gerenciador de Pacotes NuGet. No Visual Studio, navegue até o console com o seguinte comando:

• Ferramentas ->
• Gerenciador de Pacotes NuGet ->
• Console do Gerenciador de Pacotes

Install-Package IronOcr

E confira o IronOcr no NuGet para mais informações sobre atualizações de versão e instalação.

Existem outros pacotes NuGet do IronOCR disponíveis para diferentes plataformas:

• Windows:https://www.nuget.org/packages/IronOcr
• Linux:https://www.nuget.org/packages/IronOcr.Linux
• MacOS:https://www.nuget.org/packages/IronOcr.MacOs
• MacOS (ARM):https://www.nuget.org/packages/IronOcr.MacOs.ARM

IronOcr.Extensions.AdvancedScan para Linux e macOS

The type of namespace name `OpenCvSharp` could not be found(are you missing a using directive or an assembly reference)

Baixe o arquivo .ZIP do IronOCR.

Baixe o instalador do IronOCR (somente para Windows)

Por que os desenvolvedores C# escolhem o IronOCR em vez do Tesseract padrão:

• Instalar como um único arquivo DLL ou NuGet
• Inclui os motores Tesseract 5, 4 e 3.
• A precisão de 99,8% supera significativamente o Tesseract padrão.
• Velocidade incrível e multithreading
• Compatível com MVC, WebApp, Desktop, Console e Server Application
• Não há arquivos executáveis ​​(.exe) ou código C++ para trabalhar.
• Suporte completo para OCR em PDF
• Realize OCR em praticamente qualquer arquivo de imagem ou PDF.
• Suporte completo for .NET Core, Standard e Framework
• Implantação em Windows, Mac, Linux, Azure, Docker, Lambda e AWS
• Ler códigos de barras e códigos QR
• Exportar resultados de OCR como XHTML
• Exportar OCR para documentos PDF pesquisáveis
• Suporte a multithreading
• 125 idiomas internacionais, todos gerenciados via arquivos NuGet ou OcrData.
• Extrair imagens, coordenadas, estatísticas e fontes. Não apenas texto.
• Pode ser usado para redistribuir o Tesseract OCR em aplicações comerciais e proprietárias.

O IronOCR se destaca ao trabalhar com imagens do mundo real e documentos imperfeitos, como fotografias ou digitalizações de baixa resolução que podem apresentar ruído digital ou imperfeições.

Outras bibliotecas OCR gratuitas para a plataforma .NET, como outras APIs do Tesseract for .NET e serviços web, não apresentam um desempenho tão bom nesses casos de uso do mundo real.

Uma linha

:path=/static-assets/ocr/content-code-examples/get-started/get-started-1.cs

string Text = new IronTesseract().Read(@"img\Screenshot.png").Text;

Olá Mundo Configurável

:path=/static-assets/ocr/content-code-examples/get-started/get-started-2.cs

using IronOcr;

IronTesseract ocr = new IronTesseract();
using OcrInput input = new OcrInput();

// Add multiple images
input.LoadImage("images/sample.jpeg");

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

OCR de PDF em C

A mesma abordagem pode ser usada para extrair texto de qualquer documento PDF.

:path=/static-assets/ocr/content-code-examples/get-started/get-started-3.cs

using IronOcr;

IronTesseract ocr = new IronTesseract();
using OcrInput input = new OcrInput();

// We can also select specific PDF page numbers to OCR
input.LoadPdf("example.pdf", Password: "password");

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

// 1 page for every page of the PDF
Console.WriteLine($"{result.Pages.Length} Pages");

OCR para TIFFs de várias páginas

:path=/static-assets/ocr/content-code-examples/get-started/get-started-4.cs

using IronOcr;

IronTesseract ocr = new IronTesseract();
using OcrInput input = new OcrInput();
var pageindices = new int[] { 1, 2 };
input.LoadImageFrames("multi-frame.tiff", pageindices);
OcrResult result = ocr.Read(input);
Console.WriteLine(result.Text);

Códigos de barras e QR Code

Uma característica única do IronOCR é a capacidade de ler códigos de barras e códigos QR de documentos enquanto realiza a digitalização de texto. Instâncias da classe OcrResult.OcrBarcode fornecem ao desenvolvedor informações detalhadas sobre cada código de barras escaneado.

:path=/static-assets/ocr/content-code-examples/get-started/get-started-5.cs

using IronOcr;

IronTesseract ocr = new IronTesseract();
ocr.Configuration.ReadBarCodes = true;

using OcrInput input = new OcrInput();
input.LoadImage("img/Barcode.png");

OcrResult Result = ocr.Read(input);
foreach (var Barcode in Result.Barcodes)
{
    // type and location properties also exposed
    Console.WriteLine(Barcode.Value);
}

OCR em áreas específicas de imagens

Todos os métodos de digitalização e leitura do IronOCR oferecem a possibilidade de especificar exatamente de qual parte de uma página ou páginas desejamos ler o texto. Isso é muito útil quando estamos analisando formulários padronizados, podendo economizar muito tempo e aumentar a eficiência.

Para usar regiões de cultivo, precisaremos adicionar uma referência de sistema a System.Drawing para que possamos usar o objeto System.Drawing.Rectangle.

:path=/static-assets/ocr/content-code-examples/get-started/get-started-6.cs

using IronOcr;

IronTesseract ocr = new IronTesseract();
using OcrInput input = new OcrInput();

// Dimensions are in pixel
var contentArea = new System.Drawing.Rectangle() { X = 215, Y = 1250, Height = 280, Width = 1335 };

input.LoadImage("document.png", contentArea);

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

OCR para digitalizações de baixa qualidade

A classe IronOCR OcrInput pode corrigir digitalizações que o Tesseract normal não consegue ler.

:path=/static-assets/ocr/content-code-examples/get-started/get-started-7.cs

using IronOcr;

IronTesseract ocr = new IronTesseract();
using OcrInput input = new OcrInput();
var pageindices = new int[] { 1, 2 };
input.LoadImageFrames(@"img\Potter.tiff", pageindices);

// fixes digital noise and poor scanning
input.DeNoise();

// fixes rotation and perspective
input.Deskew();

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

Exporte os resultados do OCR como um PDF pesquisável.

:path=/static-assets/ocr/content-code-examples/get-started/get-started-8.cs

using IronOcr;

IronTesseract ocr = new IronTesseract();
using OcrInput input = new OcrInput();
input.Title = "Quarterly Report";
input.LoadImage("image1.jpeg");
input.LoadImage("image2.png");
var pageindices = new int[] { 1, 2 };
input.LoadImageFrames("image3.gif", pageindices);

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

Conversão de TIFF para PDF pesquisável

:path=/static-assets/ocr/content-code-examples/get-started/get-started-9.cs

using IronOcr;

IronTesseract ocr = new IronTesseract();
using OcrInput input = new OcrInput();
var pageindices = new int[] { 1, 2 };
input.LoadImageFrames("example.tiff", pageindices);
ocr.Read(input).SaveAsSearchablePdf("searchable.pdf");

Exportar resultados de OCR como HTML

:path=/static-assets/ocr/content-code-examples/get-started/get-started-10.cs

using IronOcr;

IronTesseract ocr = new IronTesseract();
using OcrInput input = new OcrInput();
input.Title = "Html Title";
input.LoadImage("image1.jpeg");

OcrResult Result = ocr.Read(input);
Result.SaveAsHocrFile("results.html");

Exemplo de código para aprimoramento de imagem

:path=/static-assets/ocr/content-code-examples/get-started/get-started-11.cs

using IronOcr;

IronTesseract ocr = new IronTesseract();
using OcrInput input = new OcrInput();
input.LoadImage("LowQuality.jpeg");

// fixes digital noise and poor scanning
input.DeNoise();

// fixes rotation and perspective
input.Deskew();

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

Lista de filtros de imagem OCR

Os filtros de entrada integrados ao IronOCR para melhorar o desempenho do OCR incluem:

• OcrInput.Rotate(double degrees) - Rotaciona imagens em um determinado número de graus no sentido horário. Para rotação no sentido anti-horário, use números negativos.
• OcrInput.Binarize() - Este filtro converte cada pixel em preto ou branco, sem meio-termo, melhorando potencialmente o desempenho do OCR em imagens de baixíssimo contraste.
• OcrInput.ToGrayScale() - Converte cada pixel em um tom de cinza. Pode não melhorar a precisão, mas pode melhorar a velocidade.
• OcrInput.Contrast() - Aumenta automaticamente o contraste, muitas vezes melhorando a velocidade e a precisão em digitalizações de baixo contraste.
• OcrInput.DeNoise() - Remove ruído digital, recomendado apenas quando houver previsão de ruído.
• OcrInput.Invert() - Inverte todas as cores (o branco torna-se preto e vice-versa).
• OcrInput.Dilate() - Avança a morfologia, adiciona pixels aos limites do objeto, oposto de Erosão.
• OcrInput.Erode() - Avança a morfologia, remove pixels dos limites do objeto, oposto de Dilatar.
• OcrInput.Deskew() - Rotaciona uma imagem para orientá-la corretamente. Útil porque a tolerância à distorção do Tesseract é limitada.
• OcrInput.EnhanceResolution - Melhora a resolução de imagens de baixa qualidade. Essa configuração geralmente é usada para gerenciar automaticamente a entrada de baixa DPI.
• EnhanceResolution detecta imagens de baixa resolução (abaixo de 275 dpi), aumenta a escala e aprimora o texto para melhores resultados de OCR. Embora demorado, esse processo geralmente reduz o tempo total de operação do OCR.
• Language - Suporta seleção de 22 pacotes de idiomas internacionais.
• Strategy - Permite selecionar entre estratégias rápidas e menos precisas ou avançadas (usando IA para precisão) com base na relação estatística das palavras.
• ColorSpace - Escolha realizar o OCR em escala de cinza ou em cores; Em geral, a escala de cinza é a opção ideal, embora a cor possa ser melhor em certos cenários de contraste.
• DetectWhiteTextOnDarkBackgrounds - Ajusta-se a imagens negativas, detectando e lendo automaticamente texto branco em fundos escuros.
• InputImageType - Orienta a biblioteca OCR, especificando se ela está trabalhando em um documento completo ou em um trecho.
• RotateAndStraighten - Permite que o IronOCR processe corretamente documentos que estejam rotacionados ou afetados por distorções de perspectiva.
• ReadBarcodes - Lê automaticamente códigos de barras e códigos QR simultaneamente com a leitura de texto, sem aumentar significativamente o tempo de leitura.
• ColorDepth - Determina os bits por pixel para a profundidade de cor no processo de OCR. Uma maior profundidade pode aumentar a qualidade, mas também o tempo de processamento.

Exemplo de linguagem

// Reference to the path of the source file that demonstrates setting language packs for OCR
:path=/static-assets/ocr/content-code-examples/get-started/get-started-12.cs

// Reference to the path of the source file that demonstrates setting language packs for OCR
using IronOcr;

// PM> Install IronOcr.Languages.Arabic
IronTesseract ocr = new IronTesseract();
ocr.Language = OcrLanguage.Arabic;

using OcrInput input = new OcrInput();

var pageindices = new int[] { 1, 2 };
input.LoadImageFrames("img/arabic.gif", pageindices);
// Add image filters if needed
// In this case, even thought input is very low quality
// IronTesseract can read what conventional Tesseract cannot.
OcrResult result = ocr.Read(input);
// Console can't print Arabic on Windows easily.
// Let's save to disk instead.
result.SaveAsTextFile("arabic.txt");

Exemplo de vários idiomas

Também é possível realizar OCR usando vários idiomas simultaneamente. Isso pode aprimorar o OCR de metadados em inglês e URLs em documentos Unicode.

// Reference to the path of the source file that demonstrates multi-language OCR
:path=/static-assets/ocr/content-code-examples/get-started/get-started-13.cs

// Reference to the path of the source file that demonstrates multi-language OCR
using IronOcr;

// PM> Install IronOcr.Languages.ChineseSimplified
IronTesseract ocr = new IronTesseract();
ocr.Language = OcrLanguage.ChineseSimplified;

// We can add any number of languages
ocr.AddSecondaryLanguage(OcrLanguage.English);

using OcrInput input = new OcrInput();
input.LoadPdf("multi-language.pdf");
OcrResult result = ocr.Read(input);
result.SaveAsTextFile("results.txt");