Tesseract C# vs IronOCR: Hangi OCR Kütüphanesini Kullanmalısınız .NET'te?

Tesseract'ın Visual Studio'ya Kurulumu

PM> Install-Package TesseractOCR

PM> Install-Package TesseractOCR

PM> Install-Package TesseractOCR

Kurulumdan sonra, uygun eğitim verilerini GitHub'daki tessdata deposundan indirip .NET projenizde dosyaları yapılandırın. Tessdata klasörü çalışma zamanında erişilebilir olmalıdır ve genellikle bu klasöre tam yolu belirlemelisiniz veya çalıştırılabilir dosyanızla çıktı dizininize yerleştirmelisiniz. .NET sarmalayıcı ile dil dosyaları arasındaki sürüm uyuşmazlıkları sık sık başlatma hatalarına neden olur, bu da Stack Overflow tartışmalarında geliştirici hayal kırıklığının yaygın bir kaynağıdır.

Ayrıca, yerel Tesseract ikili dosyaları, uygulamanızı çalıştıran her makinede Visual C++ Yeniden Dağıtılabilir sürümünü gerektirir. Bu bağımlılık, dağıtımı karmaşık hale getirebilir, özellikle kaplanmış ortamlarda veya yönetici kurulumunun doğrudan gerçekleştirilmesinin zorlayıcı olduğu istemci makinelerde.

IronOCR'un Kurulumu

PM> Install-Package IronOcr

PM> Install-Package IronOcr

PM> Install-Package IronOcr

IronOCR, her şeyi tek bir yönetimli .NET paketi içine alarak yapılandırma karmaşıklığını ortadan kaldırır. C++ çalışma zamanları, tessdata klasör yönetimi veya izlenecek platforma özgü yerel DLL'ler yok. Dil paketleri gerektiğinde ayrı NuGet paketleri olarak yüklenir ve standart .NET bağımlılık yönetimi ile entegre edilir. Iron Software, bu yaklaşımı altyapı baş ağrısı olmadan OCR işlevselliğine ihtiyaç duyan .NET geliştiricileri için özellikle tasarlamıştır. IronOCR ile başlama hakkında daha fazla bilgi edinin.

Tesseract Metin Çıkarma Örneği

Aşağıdaki resim işleme iş akışını Tesseract motorunu kullanarak düşünün. Bu kod, bir PNG dosyasından metin çıkarmak için temel OCR'u gösterir:

using TesseractOCR;
using TesseractOCR.Enums;
// Initialize the engine with tessdata path and language
using var engine = new Engine(@"./tessdata", Language.English, EngineMode.Default);
// Load input image using Pix format
using var img = Pix.LoadFromFile("document.png");
// Process the image and create a page
using var page = engine.Process(img);
// Extract plain text from recognized text
Console.WriteLine(page.GetText());

using TesseractOCR;
using TesseractOCR.Enums;
// Initialize the engine with tessdata path and language
using var engine = new Engine(@"./tessdata", Language.English, EngineMode.Default);
// Load input image using Pix format
using var img = Pix.LoadFromFile("document.png");
// Process the image and create a page
using var page = engine.Process(img);
// Extract plain text from recognized text
Console.WriteLine(page.GetText());

Imports TesseractOCR
Imports TesseractOCR.Enums

' Initialize the engine with tessdata path and language
Using engine As New Engine("./tessdata", Language.English, EngineMode.Default)
    ' Load input image using Pix format
    Using img As Pix = Pix.LoadFromFile("document.png")
        ' Process the image and create a page
        Using page As Page = engine.Process(img)
            ' Extract plain text from recognized text
            Console.WriteLine(page.GetText())
        End Using
    End Using
End Using

Bu yaklaşım, tessdata klasörü yolunu yönetmeyi, uygun dosya izinlerini sağlamayı ve Tesseract motorunun beklentisi olan Pix görüntü formatının işlenmesini gerektirir. Eğitim verisi dosyaları eksik veya uyumsuzsa motor başlatma hataları oluşturabilir. Bellek kullanımı dikkatle takip edilmelidir çünkü yerel Tesseract kaynakları düzgün bir şekilde elden çıkarılmalıdır, aksi takdirde yönetilemeyen koddaki sızıntılara neden olabilir. Başlatma sorunları yaşayan geliştiriciler için, IronOCR hataları çözme kılavuzu yaygın Tesseract zorluklarını ve çözümleri açıklar.

IronOCR Metin Çıkarma Örneği

Aşağıdaki kod, IronOCR'un aynı metin çıkarım görevini nasıl basitleştirdiğini gösterir:

using IronOcr;
// Initialize the OCR engine
var ocr = new IronTesseract();
// Load and process the input image
using var input = new OcrInput();
input.LoadImage("document.png");
// Read text with automatic optimization
var result = ocr.Read(input);
Console.WriteLine(result.Text);

using IronOcr;
// Initialize the OCR engine
var ocr = new IronTesseract();
// Load and process the input image
using var input = new OcrInput();
input.LoadImage("document.png");
// Read text with automatic optimization
var result = ocr.Read(input);
Console.WriteLine(result.Text);

Imports IronOcr

' Initialize the OCR engine
Dim ocr As New IronTesseract()

' Load and process the input image
Using input As New OcrInput()
    input.LoadImage("document.png")
    ' Read text with automatic optimization
    Dim result = ocr.Read(input)
    Console.WriteLine(result.Text)
End Using

IronTesseract sınıfı, bellek kullanımını otomatik olarak yöneten bir yönetimli sarmalayıcı sağlar. OcrInput sınıfı, format dönüştürme gereksinimi olmadan doğrudan dosya yollarından, byte dizilerinden, akışlardan veya System.Drawing nesnelerinden görüntü dosyalarını kabul eder. Ortaya çıkan result nesnesi, kelime konumları, paragraf sınırları ve güven puanları gibi, sofistike belge işleme hatlarını oluşturmak için değerli olan yapısal verileri içerir. Daha gelişmiş özellikler için tam görüntüden metne öğreticisini keşfedin.

Giriş

Çıktı

Tesseract Ön İşleme Sınırlamaları

Tesseract motoru, düzgün yönlendirilmiş metin içeren temiz, yüksek çözünürlüklü görüntü dosyalarını işlemek üzere tasarlanmıştır. Döndürülmüş veya gürültülü görüntüleri işlerken, OCR motoru sıklıkla karışık çıktı verir veya metni tamamen tanıyamaz. Bu görüntü kalitesi sorunlarını ele almak için ImageMagick, OpenCV veya OCR motoruna görüntüleri geçmeden önce çalışması gereken özel ön işleme kodları gibi harici araçlar gereklidir.

Bu ön işleme yükü, önemli ölçüde .NET geliştirme süresi ekler. Her belge türü, farklı düzeltme rutinleri gerektirebilir ve bu hatları farklı girdilerdeki en iyi sonuçlar için ayarlamak, başlı başına bir projeye dönüşür. Bu çabayı hafife alan ekipler sıklıkla, Tesseract'ın 'ücretsiz' maliyetinin haftalarca süren ön işleme çalışmasının yarattığı eksilerle dengelendiğini görürler.

IronOCR Dahili Görüntü Ön İşleme

using IronOcr;
var ocr = new IronTesseract();
using var input = new OcrInput();
input.LoadImage("skewed-scan.png");
// Apply automatic corrections for high accuracy
input.Deskew();  // Correct skew on rotated images
input.DeNoise(); // Remove digital noise
var result = ocr.Read(input);
Console.WriteLine(result.Text);

using IronOcr;
var ocr = new IronTesseract();
using var input = new OcrInput();
input.LoadImage("skewed-scan.png");
// Apply automatic corrections for high accuracy
input.Deskew();  // Correct skew on rotated images
input.DeNoise(); // Remove digital noise
var result = ocr.Read(input);
Console.WriteLine(result.Text);

Imports IronOcr

Dim ocr As New IronTesseract()
Using input As New OcrInput()
    input.LoadImage("skewed-scan.png")
    ' Apply automatic corrections for high accuracy
    input.Deskew()  ' Correct skew on rotated images
    input.DeNoise() ' Remove digital noise
    Dim result = ocr.Read(input)
    Console.WriteLine(result.Text)
End Using

IronOCR, yaygın belge kalitesi sorunlarını otomatik olarak ele alan görüntü düzeltme filtreleri destekler. Deskew() yöntemi, metin satırı açılarını algılayarak ve telafi edici bir dönüş uygulayarak eğiklik düzeltir. DeNoise() yöntemi, aksi takdirde metin tanımayı şaşırtacak olan tarama ya da dijital gürültüden kaynaklanan artefaktları kaldırır. Ek filtreler arasında düşük DPI görüntüleri iyileştirmek için EnhanceResolution(), bulanık belgeleri düzeltmek için Sharpen(), solmuş metinleri geri yüklemek için Contrast() ve ışık-karanlık belge yönetimi için Invert() bulunur. Bu dahili görüntü ön işleme araçları, çoğu belge işleme senaryosunda harici görüntü işleme kütüphaneleri ihtiyacını ortadan kaldırır.

Giriş

Çıktı

Tesseract Format Gereksinimleri

Tesseract'ın temeli olan Leptonica kütüphanesi, dahili olarak PIX formatlı görüntülerle çalışır. .NET sarmalayıcı bazı dönüşümleri otomatik olarak ele alırken, çok sayfalı TIFF'ler veya PDF belgeleri gibi karmaşık görüntü formatları ek işlem gerektirir ve genellikle harici kütüphaneler gerektirir. .NET geliştiricileri, Tesseract motorunun beklediği formata özellikle web uygulamaları ya da veritabanı blob deposundaki görüntülerle çalışırken System.Drawing nesnelerini ya da Stream kaynaklarını dönüştürme sorunlarıyla sık sık karşılaşırlar.

Çoklu çerçeveli GIF'ler ve çok sayfalı TIFF'ler, çerçeveleri tek tek dolaşmayı gerektirir, basit bir metin çıkarım görevine gereksiz kod ekler.

IronOCR Format Esnekliği

using IronOcr;
var ocr = new IronTesseract();
using var input = new OcrInput();
// Load various image formats directly
input.LoadImage("photo.jpg");
input.LoadImage("screenshot.png");
input.LoadImage("fax.tiff");
input.LoadPdf("scanned-contract.pdf");
var result = ocr.Read(input);
Console.WriteLine(result.Text);

using IronOcr;
var ocr = new IronTesseract();
using var input = new OcrInput();
// Load various image formats directly
input.LoadImage("photo.jpg");
input.LoadImage("screenshot.png");
input.LoadImage("fax.tiff");
input.LoadPdf("scanned-contract.pdf");
var result = ocr.Read(input);
Console.WriteLine(result.Text);

Imports IronOcr

Dim ocr As New IronTesseract()
Using input As New OcrInput()
    ' Load various image formats directly
    input.LoadImage("photo.jpg")
    input.LoadImage("screenshot.png")
    input.LoadImage("fax.tiff")
    input.LoadPdf("scanned-contract.pdf")
    Dim result = ocr.Read(input)
    Console.WriteLine(result.Text)
End Using

IronOCR, JPG, PNG, GIF, TIFF, BMP ve WebP dahil tüm başlıca formatlardaki görüntüleri destekler. Kütüphane, her çerçeveyi ayrı bir sayfa olarak işleyerek, çok sayfalı TIFF'leri ve GIF'leri otomatik olarak işler. Belge sayısallaştırma için kütüphane, taranmış sayfalardan metin çıkarırken ayrı PDF işleme kütüphaneleri veya görüntü dönüştürme adımları gerektirmeden, PDF dosya girdisini doğrudan işler.

Çıktı

Tesseract Dil Yapılandırması

using TesseractOCR;
using TesseractOCR.Enums;
// Requires downloading fra.traineddata to tessdata folder
using var engine = new Engine(@"./tessdata", Language.French, EngineMode.Default);

using TesseractOCR;
using TesseractOCR.Enums;
// Requires downloading fra.traineddata to tessdata folder
using var engine = new Engine(@"./tessdata", Language.French, EngineMode.Default);

Imports TesseractOCR
Imports TesseractOCR.Enums

' Requires downloading fra.traineddata to tessdata folder
Using engine As New Engine("./tessdata", Language.French, EngineMode.Default)
End Using

Her dil, Tesseract GitHub deposundan ilgili .traineddata dosyasının indirilmesini ve doğru tessdata klasörüne yerleştirilmesini gerektirir. Çok dilli belgeler için, engine başlangıcında birden fazla dil belirtirsiniz. Bu dil dosyalarını geliştirme, test ve üretim ortamları arasında yönetmek ve tüm dağıtım hedeflerinin doğru sürümlere çıktı dizininde sahip olmasını sağlamak, dil gereksinimleri arttıkça karmaşıklığın artmasına neden olan operasyonel bir karmaşıklığı ekler.

IronOCR Dil Paketi Yapılandırması

using IronOcr;
var ocr = new IronTesseract();
// Install IronOcr.Languages.French NuGet package first
ocr.Language = OcrLanguage.French;
// Process multi-language documents
ocr.AddSecondaryLanguage(OcrLanguage.German);

using IronOcr;
var ocr = new IronTesseract();
// Install IronOcr.Languages.French NuGet package first
ocr.Language = OcrLanguage.French;
// Process multi-language documents
ocr.AddSecondaryLanguage(OcrLanguage.German);

Imports IronOcr

Dim ocr As New IronTesseract()
' Install IronOcr.Languages.French NuGet package first
ocr.Language = OcrLanguage.French
' Process multi-language documents
ocr.AddSecondaryLanguage(OcrLanguage.German)

IronOCR, dil paketlerini NuGet paketleri olarak dağıtır ve standart .NET bağımlılık yönetimi araçları ile entegre eder. El yazısı ve belirli yazı tipleri için özel varyantlar dahil, 127+ dil destekleyerek, kütüphane çok dilli belgeleri zarif bir şekilde ele alır. Derleme sırasında paket geri yükleme, gerekli tüm dil dosyalarının otomatik olarak dağıtılmasını sağlar ve manuel dosya yönetimi veya sürümleme endişesi yoktur.

Tesseract Platform Zorlukları

Tesseract .NET sarmalayıcı uygulamaları, belirli platformlar için derlenmiş yerel C++ kütüphanelerine dayanır. DLL veya paylaşılan kütüphane dosyası, Windows, Linux ve macOS arasında ve 32-bit ve 64-bit mimarileri arasında farklılık gösterir. Linux'a dağıtmak, Windows'tan farklı ikili dosyalar gerektirir ve dağıtım ortamında doğru kütüphane yolları yapılandırılmalıdır.

Bulut dağıtımları ek zorluklar sunar. Azure App Services, AWS Lambda ve kapsüllenmiş ortamlar, yerel Tesseract tarafından gerektirilen Visual C++ çalışma zamanlarını içermeyebilir. Bu bağımlılıkların Docker konteynerlerinde veya sunucusuz işlevlerde kurulması, oluşturma boru hatlarına karmaşıklık katar ve imaj boyutlarını artırır. Birçok .NET geliştiricisi, yerel bağımlılıklar uygun şekilde paketlenmediğinde, yerel Visual Studio geliştirme ortamında mükemmel çalışan dağıtım hatalarıyla karşılaşır.

IronOCR Çapraz Platform Tutarlılığı

IronOCR, yönetimli .NET kütüphanesi olarak çalışır ve yönetilecek harici yerel bağımlılığı yoktur. Aynı NuGet paketi, Windows, macOS, Linux, Azure App Services, AWS Lambda ve Docker konteynerleri genelinde tutarlı bir şekilde çalışır. Bu mimari, CI/CD boru hatlarını dramatik bir şekilde basitleştirir ve platforma özgü yapılandırma ayarlamaları olmadan yerelde oluşturmanıza ve üretime güvenilir bir şekilde dağıtmanıza olanak tanır.

Tesseract Sonuç Erişimi

using var page = engine.Process(img);
// Basic OCR text output
string text = page.Text;
// Confidence score (mean across all recognized text)
float confidence = page.GetMeanConfidence();

using var page = engine.Process(img);
// Basic OCR text output
string text = page.Text;
// Confidence score (mean across all recognized text)
float confidence = page.GetMeanConfidence();

Imports System

Using page = engine.Process(img)
    ' Basic OCR text output
    Dim text As String = page.Text
    ' Confidence score (mean across all recognized text)
    Dim confidence As Single = page.GetMeanConfidence()
End Using

Tesseract, tanınan metni ve genel bir güven puanını sağlar. Bireysel kelime pozisyonları veya karakter bazında güvenilirlik gibi daha ince ayarlanmış verilere erişim, ek API çağrıları ve sonuç yapısı aracılığıyla dikkatli bir yineleme gerektirir. API yüzeyi işlevseldir, ancak üretim belgeleri hatları genellikle gerektiren hiyerarşik sonuç modelinden yoksundur.

IronOCR Güven Puanları ile Yapılandırılmış Sonuçlar

using IronOcr;
var ocr = new IronTesseract();
using var input = new OcrInput();
input.LoadImage("document.png");
var result = ocr.Read(input);
// Full text extraction
Console.WriteLine(result.Text);
// Iterate through structured elements with confidence scores
foreach (var page in result.Pages)
{
    foreach (var paragraph in page.Paragraphs)
    {
        Console.WriteLine($"Paragraph: {paragraph.Text}");
        Console.WriteLine($"Confidence: {paragraph.Confidence}%");
    }
}

using IronOcr;
var ocr = new IronTesseract();
using var input = new OcrInput();
input.LoadImage("document.png");
var result = ocr.Read(input);
// Full text extraction
Console.WriteLine(result.Text);
// Iterate through structured elements with confidence scores
foreach (var page in result.Pages)
{
    foreach (var paragraph in page.Paragraphs)
    {
        Console.WriteLine($"Paragraph: {paragraph.Text}");
        Console.WriteLine($"Confidence: {paragraph.Confidence}%");
    }
}

Imports IronOcr

Dim ocr As New IronTesseract()
Using input As New OcrInput()
    input.LoadImage("document.png")
    Dim result = ocr.Read(input)
    ' Full text extraction
    Console.WriteLine(result.Text)
    ' Iterate through structured elements with confidence scores
    For Each page In result.Pages
        For Each paragraph In page.Paragraphs
            Console.WriteLine($"Paragraph: {paragraph.Text}")
            Console.WriteLine($"Confidence: {paragraph.Confidence}%")
        Next
    Next
End Using

OcrResult sınıfı, sayfalara, paragraflara, satırlara, kelimelere ve bireysel karakterlere hiyerarşik erişim sağlar. Her bir eleman sınır kutusu koordinatları ve güven puanları içerir, böylece .NET uygulamaları tanınan metin alanlarını vurgulamanıza, belirli alanlardan içerik çıkarmanıza, tanıma kalitesini doğrulamanıza veya gözden geçirilmesi gereken düşük güvenilirlikli bölümleri işaretlemenize olanak tanır. IronOCR ayrıca sonuçları doğrudan arama yapılabilir PDF'ler veya hOCR/HTML formatları için arşivleme ve arama indeksleme amacıyla dışa aktarabilir.

Çıktı

Tesseract'ın Doğru Olduğu Durumlar

Tesseract, ticaret koşullarının kabul edilebilir olduğu odaklanmış senaryolarda iyi çalışır:

• Bütçe sınırlamaları, açık kaynaklı Apache 2.0 lisanslı bir çözüm gerektirir
• Yalnızca temiz, yüksek kaliteli dijital belgelerin işlenmesi (doğmuş-dijital PDF'ler, ekran görüntüleri)
• Geliştirme ekibinin C++ birlikte çalışabilirliği ve yerel kütüphane yönetimiyle tecrübesi vardır
• Proje gereksinimleri, temel OCR metin çıkarmayla ileri düzey özellikleri sınırlıdır
• Hedef dağıtım, bağımlılıkların tutarlı bir şekilde yönetilebildiği kontrollü bir ortamdır

IronOCR Daha İyi Sonuçlar Sağladığında

IronOCR, üretim iş yükleri için daha güçlü bir seçenektir:

• Üretim .NET uygulamalarını oluşturmak, OCR doğruluğunun iş sonuçlarını etkilediği durumlarda
• Tarama, fotoğraf, faks ve mobil çekimler dahil olmak üzere çeşitli belge kalitesini işlemek
• Konsistansın önemli olduğu birden fazla platform veya bulut ortamı arasında dağıtmak
• Düzenli hata düzeltmeleri ve özellik güncellemeleri ile profesyonel teknik desteğe ihtiyaç duyma
• Geliştirme takvimleri, yapılandırma ve ön işleme ile mücadele etmeye izin vermez
• Gereksinimler arasında, PDF dosya işleme, barkod ve QR kodu okuma veya yapılandırılmış sonuç verileri bulunur

Daha önce Tesseract tabanlı hatlar kurmuş ekipler ve bir geçişi değerlendirenler için, IronOCR geçiş kılavuzu, temel API farklılıkları ve geçiş adımlarını kapsar.