Configuração detalhada do Tesseract

VBC#

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);

Imports IronOcr
Imports System

Dim ocrTesseract = New IronTesseract() With {
    .Language = OcrLanguage.EnglishBest,
    .Configuration = New TesseractConfiguration() With {
        .ReadBarCodes = False,
        .RenderHocr = True,
        .BlackListCharacters = "`ë|^",
        .PageSegmentationMode = TesseractPageSegmentationMode.AutoOsd
    }
}

Using ocrInput = New OcrInput()
    ocrInput.LoadImage("images\image.png")
    Dim ocrResult = ocrTesseract.Read(ocrInput)
    Console.WriteLine(ocrResult.Text)
End Using

PM > Install-Package IronOcr

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 experimentar. Por exemplo, se você quisesse colocar na lista negra certos caracteres ou também quisesse ler os códigos de barras dentro dos documentos ou até mesmo ditar como o motor de OCR lê a página para procurar blocos potenciais de texto, tudo isso e mais com a classe IronTesseract.

Guia de 5 etapas para usar IronOCR com `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, há algumas opções importantes imediatamente disponíveis que gostaríamos de modificar. A primeira propriedade a configurar é Language. Por padrão, o idioma é o inglês; no entanto, IronTesseract suporta até 125 idiomas e até permite múltiplos 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.

Primeiramente, modificamos o idioma do Motor Tesseract atribuindo o idioma a OcrLanguage.EnglishBest. Esta variação combina um LSTM e um OEM, que são estratégias de reconhecimento de forma usando OCR; A combinação dessas duas estratégias permite que o OCR produza resultados mais precisos.
Depois, definimos ReadBarCodes como false para evitar ler 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 false para desativar o processamento paralelo por enquanto. Este último é um recurso realmente poderoso, pois fala diretamente ao Motor Tesseract. Aqui está uma lista completa de TesseractVariables que permite que os desenvolvedores personalizem o comportamento do Motor Tesseract ainda mais ao realizar OCR.

Explore mais opções de configuração do IronTesseract

Ver no GitHub