Configuração detalhada do Tesseract

VB C#

string(18) "Clique para copiar"

using IronOcr;
using System;

var ocrTesseract = new IronTesseract()
{
    Language = OcrLanguage.EnglishBest,
    Configuration = new TesseractConfiguration()
    {
        ReadBarCodes = false,
        RenderHocr = true,
        BlackListCharacters = "`ë|^",
        PageSegmentationMode = TesseractPageSegmentationMode.AutoOsd,
    }
};

using var ocrInput = new OcrInput();
ocrInput.LoadImage(@"images\image.png");
var ocrResult = ocrTesseract.Read(ocrInput);
Console.WriteLine(ocrResult.Text);

Install-Package IronOcr

Configuração detalhada do Tesseract

Quando se trata de OCR, ter opções e flexibilidade sobre como abordar e extrair texto de documentos é essencial. Como a execução de OCR é dispendiosa, é necessário controlar o desempenho e os métodos a serem usados em documentos específicos para garantir que o aplicativo que utiliza OCR seja escalável e eficiente.

IronTesseract oferece aos desenvolvedores diferentes propriedades e opções para personalização. Por exemplo, se você quisesse bloquear certos caracteres, ler os códigos de barras dentro dos documentos ou até mesmo ditar como o mecanismo de OCR lê a página para procurar possíveis blocos de texto, tudo isso e muito mais com a classe IronTesseract.

## Guia de 5 passos para usar o IronOCR com o Tesseract 5

`var ocrTesseract = new IronTesseract();`
`ocrTesseract.Language = OcrLanguage.EnglishBest;`
`ocrTesseract.Configuration.ReadBarCodes = false;`
`ocrTesseract.Configuration.BlackListCharacters = "`ë|^";`
`ocrTesseract.Configuration.TesseractVariables["tessedit_parallelize"] = false;`

Após iniciar a classe IronTesseract, existem algumas opções importantes imediatamente disponíveis que gostaríamos de modificar. A primeira propriedade a ser configurada é a Language. Por padrão, o idioma é o inglês; no entanto, IronTesseract suporta até 125 idiomas e permite até mesmo vários idiomas com o método UseMultipleLanguages. Para obter mais detalhes, consulte aqui .

A segunda propriedade que queremos configurar é a classe TesseractConfiguration. Com essa classe, podemos modificar a forma como o mecanismo do Tesseract examina o documento em busca de possíveis blocos de texto.

Em primeiro lugar, modificamos a linguagem do Tesseract Engine atribuindo a linguagem a OcrLanguage.EnglishBest. Essa variação combina uma LSTM e uma OEM, que são estratégias de reconhecimento de formas usando OCR; A combinação dessas duas estratégias permite que o OCR produza resultados mais precisos.
Em seguida, definimos ReadBarCodes como falso para evitar a leitura de códigos de barras durante o processo de OCR.

Além disso, personalizamos e especificamos ainda mais os caracteres que desejamos extrair, bloqueando determinados caracteres no documento; Neste exemplo, definimos uma lista negra de caracteres para evitar a extração de texto com crases, acentos ou circunflexos. Finalmente, definimos TesseractVariables["tessedit_parallelize"] como falso para desativar o processamento paralelo por enquanto. Esta última é uma funcionalidade realmente poderosa, pois interage diretamente com o mecanismo Tesseract. Aqui está uma lista completa de TesseractVariables que permite aos desenvolvedores personalizar ainda mais o comportamento do mecanismo Tesseract ao realizar OCR.

Explore mais opções de configuração do IronTesseract