Por que escolher o IronOCR em vez do Tesseract?
Precisão
Tesseract
O Tesseract não consegue processar imagens que estejam rotacionadas, distorcidas, com baixa resolução (DPI), digitalizadas ou com ruído de fundo.
- Requer pré-processamento de imagem usando Photoshop ou ImageMagick.
- O processamento pode ser demorado e, frequentemente, fornece informações sem sentido.
IronOCR
- O IronOCR realiza o pré-processamento e aplica filtros de imagem para simplificar o processo.
- Os usuários geralmente alcançam uma precisão de 99,8% a 100% com configuração mínima.
Compatibilidade de imagem
Tesseract
- Apenas aceita o formato de imagem Leptonica PIX, que é um objeto C++
IntPtrem C#. - Os objetos PIX não são memória gerenciada. A falta de cuidado no tratamento desses elementos em C# resulta em vazamentos de memória.
IronOCR
- As imagens são gerenciadas na memória.
- Suporta uma ampla variedade de formatos de imagem:
- TIFF MultiFrame
- JPEG e JPEG2000
- GIF PNG
- System.Drawing Bitmaps, Stream, e Dados de imagem em Byte Array/Binários (
byte[])
- Prevê-se que o IronSoftware.System.Drawing substitua a dependência do System.Drawing, permitindo um formato Bitmap universal.
Desempenho
Tesseract
- Configurações mal documentadas que precisam ser ajustadas para alcançar precisão.
- Depende de documentos limpos e imagens pré-processadas.
IronOCR
- Funciona com precisão sem necessidade de configuração para a maioria das imagens.
- Utiliza multithreading para aproveitar ao máximo os processadores multi-core.
- Mesmo imagens de baixa resolução geralmente apresentam alta precisão.
- Não é necessário usar o Photoshop.
API
Tesseract
- Suporte insuficiente ou inexistente e pouco amigável para iniciantes:
- Requer o trabalho com camadas de interoperabilidade. Muitas das soluções encontradas no GitHub estão desatualizadas, apresentam problemas não resolvidos, vazamentos de memória e avisos no console.
- Pode não ser compatível com .NET Core ou Standard.
- Trabalhar com arquivos EXE na linha de comando é difícil de implementar e pode ser interrompido por antivírus e políticas de segurança.
- Requer o trabalho com camadas de interoperabilidade. Muitas das soluções encontradas no GitHub estão desatualizadas, apresentam problemas não resolvidos, vazamentos de memória e avisos no console.
IronOCR
- Uma biblioteca .NET gerenciada e testada para Tesseract chamada IronTesseract.
- Totalmente documentado e com suporte ao IntelliSense.
- Equipe de engenheiros de suporte pronta para ajudar.
Línguas
Tesseract
- Suporta apenas 100 idiomas.
IronOCR
- Suporta mais de 125 idiomas integrados e permite a instalação de pacotes de idiomas personalizados.
Conclusão
O Tesseract é um excelente recurso para desenvolvedores C++, mas não é uma biblioteca OCR completa para .NET. As imagens digitalizadas ou fotografadas devem ser pré-processadas para serem ortogonais, padronizadas, de alta resolução e livres de ruído digital antes que o Tesseract possa trabalhar com elas corretamente.
Em contraste, o IronOCR consegue fazer isso e muito mais, com apenas uma única linha de código. O IronOCR utiliza uma versão altamente otimizada do Tesseract como seu mecanismo OCR interno, desenvolvido em C#, com diversas melhorias de desempenho e recursos adicionados como padrão.
Curtis Chau é bacharel em Ciência da Computação (Universidade Carleton) e se especializa em desenvolvimento front-end, com experiência em Node.js, TypeScript, JavaScript e React. Apaixonado por criar interfaces de usuário intuitivas e esteticamente agradáveis, Curtis gosta de trabalhar com frameworks modernos e criar manuais bem estruturados e visualmente atraentes.
