Destacar Textos como Imagens em C# com IronOCR

Qual é a aparência do PDF de entrada?

Como Implemento o Código de Destaque?

O código de exemplo abaixo demonstra a implementação básica usando a classe OcrInput.

:path=/static-assets/ocr/content-code-examples/how-to/highlight-texts-as-images.cs

using IronOcr;

IronTesseract ocrTesseract = new IronTesseract();

using var ocrInput = new OcrInput();
ocrInput.LoadPdf("document.pdf");
ocrInput.HighlightTextAndSaveAsImages(ocrTesseract, "highlight_page_", ResultHighlightType.Paragraph);

O que Mostram as Imagens de Saída?

Conforme mostrado na imagem de saída acima, todos os três parágrafos foram destacados com uma caixa vermelha clara. Esta representação visual ajuda os desenvolvedores a identificar rapidamente como o mecanismo de OCR segmenta o documento em blocos legíveis.

Quais São as Diferentes Opções de ResultHighlightType?

O exemplo acima usou ResultHighlightType.Paragraph para destacar blocos de texto. O IronOCR oferece opções adicionais de destaque através deste enum. Abaixo está uma lista completa dos tipos disponíveis, cada um servindo a diferentes propósitos de diagnóstico.

Caractere: Desenha uma caixa de delimitação ao redor de cada caractere detectado pelo mecanismo de OCR. Útil para depurar reconhecimento de caracteres ou fontes especializadas, particularmente ao trabalhar com arquivos de idioma personalizados.

Palavra: Destaca cada palavra completa identificada pelo mecanismo. Ideal para validar limites de palavras e identificação correta das palavras, especialmente ao implementar leitura de códigos de barras e QR junto com o reconhecimento de texto.

Linha: Destaca cada linha de texto detectada. Útil para documentos com layouts complexos que exigem verificação da identificação de linha, como ao processar documentos escaneados.

Parágrafo: Destaca blocos de texto inteiros agrupados como parágrafos. Perfeito para entender o layout do documento e verificar a segmentação de blocos de texto, particularmente útil ao trabalhar com extração de tabelas.

Como Comparo Diferentes Tipos de Destaque?

Este exemplo abrangente demonstra a geração de destaques para todos os diferentes tipos no mesmo documento, permitindo que você compare os resultados:

using IronOcr;
using System;

// Initialize the OCR engine with custom configuration
IronTesseract ocrTesseract = new IronTesseract();

// Configure for better accuracy if needed
ocrTesseract.Configuration.ReadBarCodes = false; // Disable if not needed for performance
ocrTesseract.Configuration.PageSegmentationMode = TesseractPageSegmentationMode.AutoOsd;

// Load the PDF document
using var ocrInput = new OcrInput();
ocrInput.LoadPdf("document.pdf");

// Generate highlights for each type
Console.WriteLine("Generating character-level highlights...");
ocrInput.HighlightTextAndSaveAsImages(ocrTesseract, "highlight_character_", ResultHighlightType.Character);

Console.WriteLine("Generating word-level highlights...");
ocrInput.HighlightTextAndSaveAsImages(ocrTesseract, "highlight_word_", ResultHighlightType.Word);

Console.WriteLine("Generating line-level highlights...");
ocrInput.HighlightTextAndSaveAsImages(ocrTesseract, "highlight_line_", ResultHighlightType.Line);

Console.WriteLine("Generating paragraph-level highlights...");
ocrInput.HighlightTextAndSaveAsImages(ocrTesseract, "highlight_paragraph_", ResultHighlightType.Paragraph);

Console.WriteLine("All highlight images have been generated successfully!");

using IronOcr;
using System;

// Initialize the OCR engine with custom configuration
IronTesseract ocrTesseract = new IronTesseract();

// Configure for better accuracy if needed
ocrTesseract.Configuration.ReadBarCodes = false; // Disable if not needed for performance
ocrTesseract.Configuration.PageSegmentationMode = TesseractPageSegmentationMode.AutoOsd;

// Load the PDF document
using var ocrInput = new OcrInput();
ocrInput.LoadPdf("document.pdf");

// Generate highlights for each type
Console.WriteLine("Generating character-level highlights...");
ocrInput.HighlightTextAndSaveAsImages(ocrTesseract, "highlight_character_", ResultHighlightType.Character);

Console.WriteLine("Generating word-level highlights...");
ocrInput.HighlightTextAndSaveAsImages(ocrTesseract, "highlight_word_", ResultHighlightType.Word);

Console.WriteLine("Generating line-level highlights...");
ocrInput.HighlightTextAndSaveAsImages(ocrTesseract, "highlight_line_", ResultHighlightType.Line);

Console.WriteLine("Generating paragraph-level highlights...");
ocrInput.HighlightTextAndSaveAsImages(ocrTesseract, "highlight_paragraph_", ResultHighlightType.Paragraph);

Console.WriteLine("All highlight images have been generated successfully!");

Como Lidio com Documentos de Múltiplas Páginas?

Ao processar PDFs de várias páginas ou arquivos TIFF de múltiplos quadros, o recurso de destaque lida automaticamente com cada página individualmente. Isso é especialmente útil ao implementar fluxos de trabalho de extração de texto PDF OCR:

using IronOcr;
using System.IO;

IronTesseract ocrTesseract = new IronTesseract();

// Load a multi-page document
using var ocrInput = new OcrInput();
ocrInput.LoadPdf("multi-page-document.pdf");

// Create output directory if it doesn't exist
string outputDir = "highlighted_pages";
Directory.CreateDirectory(outputDir);

// Generate highlights for each page
// Files will be named: highlighted_pages/page_0.png, page_1.png, etc.
ocrInput.HighlightTextAndSaveAsImages(ocrTesseract, 
    Path.Combine(outputDir, "page_"), 
    ResultHighlightType.Word);

// Count generated files for verification
int pageCount = Directory.GetFiles(outputDir, "page_*.png").Length;
Console.WriteLine($"Generated {pageCount} highlighted page images");

using IronOcr;
using System.IO;

IronTesseract ocrTesseract = new IronTesseract();

// Load a multi-page document
using var ocrInput = new OcrInput();
ocrInput.LoadPdf("multi-page-document.pdf");

// Create output directory if it doesn't exist
string outputDir = "highlighted_pages";
Directory.CreateDirectory(outputDir);

// Generate highlights for each page
// Files will be named: highlighted_pages/page_0.png, page_1.png, etc.
ocrInput.HighlightTextAndSaveAsImages(ocrTesseract, 
    Path.Combine(outputDir, "page_"), 
    ResultHighlightType.Word);

// Count generated files for verification
int pageCount = Directory.GetFiles(outputDir, "page_*.png").Length;
Console.WriteLine($"Generated {pageCount} highlighted page images");

Quais são as melhores práticas de desempenho?

Ao usar o recurso de destaque, considere estas melhores práticas:

1. Tamanho do Arquivo: Imagens destacadas podem ser grandes, especialmente para documentos de alta resolução. Considere o espaço disponível no diretório de saída ao processar lotes grandes. Para dicas de otimização, veja nosso guia de configuração rápida de OCR.

2. Desempenho: Gerar destaques adiciona sobrecarga de processamento. Para sistemas de produção onde os destaques são necessários apenas ocasionalmente, implemente-os como um processo de diagnóstico separado, em vez de parte do fluxo de trabalho principal. Considere usar OCR multithread para processamento em lotes.

3. Tratamento de Erros: Sempre implemente o tratamento adequado de erros ao trabalhar com operações de arquivos:

try
{
    using var ocrInput = new OcrInput();
    ocrInput.LoadPdf("document.pdf");

    // Apply image filters if needed for better recognition
    ocrInput.Deskew(); // Correct slight rotations
    ocrInput.DeNoise(); // Remove background noise

    ocrInput.HighlightTextAndSaveAsImages(ocrTesseract, "highlight_", ResultHighlightType.Word);
}
catch (Exception ex)
{
    Console.WriteLine($"Error during highlighting: {ex.Message}");
    // Log error details for debugging
}

try
{
    using var ocrInput = new OcrInput();
    ocrInput.LoadPdf("document.pdf");

    // Apply image filters if needed for better recognition
    ocrInput.Deskew(); // Correct slight rotations
    ocrInput.DeNoise(); // Remove background noise

    ocrInput.HighlightTextAndSaveAsImages(ocrTesseract, "highlight_", ResultHighlightType.Word);
}
catch (Exception ex)
{
    Console.WriteLine($"Error during highlighting: {ex.Message}");
    // Log error details for debugging
}

Como o destaque se integra aos resultados do OCR?

O recurso de destaque funciona perfeitamente com os objetos de resultados do IronOCR, permitindo correlacionar os destaques visuais com os dados de texto extraídos. Isso é particularmente útil quando você precisa track OCR progress ou validar seções específicas de texto reconhecido. A classe OcrResult fornece informações detalhadas sobre cada elemento detectado, o que corresponde diretamente aos destaques visuais gerados por este método.

E se eu encontrar problemas?

Se estiver enfrentando problemas com o recurso de destaque, consulte o guia geral de solução de problemas para soluções comuns. Para problemas específicos relacionados ao destaque:

• Imagens de saída em branco: Certifique-se de que o documento de entrada contenha texto legível e que o mecanismo OCR esteja configurado corretamente para o tipo de documento. Você pode precisar aplicar filtros de otimização de imagem ou fixing image orientation para melhorar o reconhecimento.
• Destaques ausentes: Alguns tipos de documentos podem exigir pré-processamento específico. Experimente aplicar filtros de imagem ou fixing image orientation para melhorar o reconhecimento.
• Problemas de desempenho: Para documentos grandes, considere implementar multithreading para melhorar a velocidade de processamento. Além disso, reveja nosso guia sobre corrigir digitalizações de baixa qualidade se estiver trabalhando com entradas de baixa qualidade.

Como posso usar isso para depuração em produção?

O recurso de destaque serve como uma excelente ferramenta de depuração em produção. Quando integrado com tokens de abortar para operações de longa duração e timeouts, você pode criar um sistema de diagnóstico robusto. Considere implementar um modo de depuração em seu aplicativo:

public class OcrDebugger
{
    private readonly IronTesseract _tesseract;
    private readonly bool _debugMode;

    public OcrDebugger(bool enableDebugMode = false)
    {
        _tesseract = new IronTesseract();
        _debugMode = enableDebugMode;
    }

    public OcrResult ProcessDocument(string filePath)
    {
        using var input = new OcrInput();
        input.LoadPdf(filePath);

        // Apply preprocessing
        input.Deskew();
        input.DeNoise();

        // Generate debug highlights if in debug mode
        if (_debugMode)
        {
            string debugPath = $"debug_{Path.GetFileNameWithoutExtension(filePath)}_";
            input.HighlightTextAndSaveAsImages(_tesseract, debugPath, ResultHighlightType.Word);
        }

        // Perform actual OCR
        return _tesseract.Read(input);
    }
}

public class OcrDebugger
{
    private readonly IronTesseract _tesseract;
    private readonly bool _debugMode;

    public OcrDebugger(bool enableDebugMode = false)
    {
        _tesseract = new IronTesseract();
        _debugMode = enableDebugMode;
    }

    public OcrResult ProcessDocument(string filePath)
    {
        using var input = new OcrInput();
        input.LoadPdf(filePath);

        // Apply preprocessing
        input.Deskew();
        input.DeNoise();

        // Generate debug highlights if in debug mode
        if (_debugMode)
        {
            string debugPath = $"debug_{Path.GetFileNameWithoutExtension(filePath)}_";
            input.HighlightTextAndSaveAsImages(_tesseract, debugPath, ResultHighlightType.Word);
        }

        // Perform actual OCR
        return _tesseract.Read(input);
    }
}

Para onde devo ir a seguir?

Agora que você entende como usar o recurso de destaque, explore:

• Criar PDFs pesquisáveis a partir de seus resultados de OCR
• Ler tipos de documentos específicos como passaportes ou licenças
• Configurar o IronOCR em seu ambiente de desenvolvimento com nossos guias de introdução
• Implementar suporte a 125 idiomas internacionais para aplicações globais
• Usar o Filter Wizard para otimizar o processamento de imagens

Para uso em produção, lembre-se de obter uma licença para remover marcas d'água e acessar a funcionalidade completa.