Birden Çok Dil için Tesseract OCR (Geliştirici Eğitimi)

Tesseract OCR'yi Birden Fazla Dille Nasıl Kullanılır

1. Öncelikle, IronOCR/Tesseract NuGet paketini .NET projenize kurun.
2. OCR motorunu başlatacak olan IronTesseract sınıfının bir örneğini oluşturun.
3. Dil özelliği birden fazla dili destekler.
4. İşlemek istediğiniz görüntü dosya yolunu belirtin, ardından bir OcrInput nesnesi oluşturun.
5. Şimdi, giriş görüntüsünde OCR işlemini, IronTesseract örneğinin Read fonksiyonunu kullanarak gerçekleştirin.
6. Sonucu alın ve tanınan metni görüntüleyin.

Tesseract nedir?

Tesseract, Hewlett-Packard tarafından geliştirilen ve daha sonra Google tarafından sürdürülen bir açık kaynaklı Optik Karakter Tanıma motorudur. Yüksek doğruluğu ve uyarlanabilirliği ile tanınır ve onu öne çıkan OCR'lerden biri yapar. Tesseract, yazı algılama desteğine sahiptir, birçok dilde metin tanır ve çoklu dilleri işleyebilir; dolayısıyla, genellikle çok dilli belgeler ve desteğe ihtiyaç duyan projelerde kullanılır.

Tesseract OCR motoru, herhangi bir görüntünün tek bir pikselindeki bilgileri işler, karakterler, kelimeler ve cümleleri temsil eden desenlere göre karakterleri makine tarafından okunabilir metin haline çevirir. Desteklediği birçok görüntü dosya türü, TIFF, JPEG ve PNG gibi, Tesseract'ın düz metin, HTML ve aranabilir PDF gibi formatlarda metin çıkarabilmesini sağlar.

Tesseract'ın büyük avantajlarından biri, belirli yazı tiplerine veya yeni eklenen dillere duyarlı olacak şekilde eğitilebilmesidir. Ayrıca, basit metin çıkarma işlemlerinden tarihî belgeleri dijitalize etme, faturaları işleme veya görme engelliler için okuma sağlayan erişilebilirlik yazılımlarına kadar çeşitli uygulamalarda sıklıkla kullanılır.

Visual Studio'da Yeni Proje Oluşturma

Visual Studio programını açın. Programı açtıktan sonra "dosya menüsü"ne gidin. "Dosya menüsü" altında "yeni proje" seçeneği mevcuttur. "Yeni proje" altında "Konsol Uygulaması"na tıklayın. Bu yazıda, bir konsol programı kullanarak PDF belgeleri oluşturacağız.

Tesseract OCR Çok Dilli Kullanım (Geliştirici Eğitimi): Şekil 1 - Yeni bir proje oluşturun

Projenizin adını ve dosyanın konumunu belirtilen metin kutularına girin. Daha sonra, aşağıdaki resimde gösterildiği gibi Oluştur butonuna tıklayın ve hangi .NET Framework'e ihtiyacınız olduğunu seçin.

Tesseract OCR Çok Dilli Kullanım (Geliştirici Eğitimi): Şekil 2 - Proje ve kaydetme konumunu belirleyerek .NET Framework'ü seçin.

Uygulama sürümü seçildikten sonra, Visual Studio projesi kendi yapısını oluşturacaktır. Console, Windows veya web sürümlerinden birini seçtiyseniz, uygulama oluşturmak/çalıştırmak ve kod eklemek için program.cs dosyasını açacaktır.

using System;
using System.Drawing;
using Tesseract;

class Program
{
    static void Main()
    {
        // Set the path to the Tesseract data files (traineddata files)
        string tessDataPath = @"./tessdata"; // Ensure this directory contains the language data files

        // Load the image
        string imagePath = @"path_to_your_image.png";
        using (var img = Pix.LoadFromFile(imagePath))
        {
            // Add languages to the Tesseract engine
            using (var engine = new TesseractEngine(tessDataPath, "eng+spa+fra", EngineMode.Default))
            {
                using (var page = engine.Process(img))
                {
                    // Extract the text
                    string text = page.GetText();
                    Console.WriteLine("Recognized Text:");
                    Console.WriteLine(text);
                }
            }
        }
    }
}

using System;
using System.Drawing;
using Tesseract;

class Program
{
    static void Main()
    {
        // Set the path to the Tesseract data files (traineddata files)
        string tessDataPath = @"./tessdata"; // Ensure this directory contains the language data files

        // Load the image
        string imagePath = @"path_to_your_image.png";
        using (var img = Pix.LoadFromFile(imagePath))
        {
            // Add languages to the Tesseract engine
            using (var engine = new TesseractEngine(tessDataPath, "eng+spa+fra", EngineMode.Default))
            {
                using (var page = engine.Process(img))
                {
                    // Extract the text
                    string text = page.GetText();
                    Console.WriteLine("Recognized Text:");
                    Console.WriteLine(text);
                }
            }
        }
    }
}

Imports System
Imports System.Drawing
Imports Tesseract

Friend Class Program
	Shared Sub Main()
		' Set the path to the Tesseract data files (traineddata files)
		Dim tessDataPath As String = "./tessdata" ' Ensure this directory contains the language data files

		' Load the image
		Dim imagePath As String = "path_to_your_image.png"
		Using img = Pix.LoadFromFile(imagePath)
			' Add languages to the Tesseract engine
			Using engine = New TesseractEngine(tessDataPath, "eng+spa+fra", EngineMode.Default)
				Using page = engine.Process(img)
					' Extract the text
					Dim text As String = page.GetText()
					Console.WriteLine("Recognized Text:")
					Console.WriteLine(text)
				End Using
			End Using
		End Using
	End Sub
End Class

IronOCR nedir?

IronOCR, .NET odaklı tescilli bir OCR kütüphanesidir. Bu, .NET uygulamalarına OCR yetenekleri ekler ve görüntülerden metin çıkarımını, taranmış belgeleri, PDF dosyalarını ve diğer tüm görsel medyayı sağlar. Çok başarılı Tesseract motoru ile ileri düzeyde metin tanıma sağlayan IronOCR, ayrıca kurumsal uygulamalarda kullanım için uygun hale getiren birkaç ek özellik de içerir.

IronOCR, otomatik dil algılama ve çoklu dillerde belgeleri işlem desteği ile 120'den fazla dil desteği sunar. Bu, IronOCR'yi çok yönlü ve çok dilli belge işlemenin kritik önem taşıdığı küresel dağıtım için kullanılabilir kılar.

Tesseract OCR Çok Dilli Kullanım (Geliştirici Eğitimi): Şekil 6 - IronOCR: C# OCR Kütüphanesi

Öte yandan, IronOCR kullanımın ve entegrasyonun basitliğine vurgu yapar. Son derece kolay kullanıma sahip API'si, ayrıntılı belgeler ve her geliştiricinin hızla çalışmaya başlamasına yardımcı olacak bir dizi örnek projeyle desteklenmiştir. Çeşitli görüntü formatlarını ve PDF belgelerini destekler. İçerisinde yerleşik gelişmiş görüntü ön işleme, gürültü azaltma ve hata düzeltme özellikleri, OCR doğruluğunu ve performansını artırır.

IronOCR Yükle

Paketleri Visual Studio'nun NuGet Paket yönetim aracı kullanarak çözümünüze doğrudan kurabilirsiniz. Aşağıdaki anlık görüntü NuGet Paket Yöneticisini nasıl açacağınızı gösteriyor.

Tesseract OCR Çok Dilli Kullanım (Geliştirici Eğitimi): Şekil 7 - Visual Studio üzerinden NuGet paket yöneticisine nasıl ulaşılır

Yerleşik arama kutusu, NuGet web sitesindeki paket listesini görüntüler. Aşağıdaki ekranda gördüğünüz gibi, "IronOCR" ifadesini paket yöneticisinde arayacağız:

Tesseract OCR Çok Dilli Kullanım (Geliştirici Eğitimi): Şekil 8 - Çözüm gezgininde IronOCR arayın

Arama sonuçları potansiyel çözümler listesini sunabilir. Yüklemek için gerekli çözüm paketini seçmeniz gerekecek.

Ayrıca, gerekli Tesseract dil paketlerini teker teker yükleyin, bu örnek için aşağıdaki gibi.

Bu örnekte İngilizce, Fransızca ve İspanyolca dil kodlarını kullanacağız. İngilizce varsayılan dil paketidir ve kurulum gerektirmez.

Tesseract OCR Çok Dilli Kullanım (Geliştirici Eğitimi): Şekil 9 - Fransızca dil paketini yükleyin

NuGet paketinden İspanyolcayı yükleyin.

Tesseract OCR Çok Dilli Kullanım (Geliştirici Eğitimi): Şekil 10 - İspanyolca dil paketini yükleyin

IronOCR ile Tesseract Motoruyla Birden Çok Dil Okuma

Aşağıdaki örnek, C# ve IronOCR ile Tesseract motorunu kullanarak bir görüntüdeki çoklu dillerdeki metni nasıl tanıyacağınızı gösteriyor.

using IronOcr;

class Program
{
    static void Main(string[] args)
    {
        // Initialize IronTesseract engine
        var Ocr = new IronTesseract();

        // Add multiple languages
        Ocr.Language = OcrLanguage.English + OcrLanguage.Spanish + OcrLanguage.French;

        // Path to the image
        var inputFile = @"path\to\your\image.png";

        // Read the image and perform OCR
        using (var input = new OcrInput(inputFile))
        {
            // Perform OCR
            var result = Ocr.Read(input);

            // Display the result
            Console.WriteLine("Recognized Text:");
            Console.WriteLine(result.Text);
        }
    }
}

using IronOcr;

class Program
{
    static void Main(string[] args)
    {
        // Initialize IronTesseract engine
        var Ocr = new IronTesseract();

        // Add multiple languages
        Ocr.Language = OcrLanguage.English + OcrLanguage.Spanish + OcrLanguage.French;

        // Path to the image
        var inputFile = @"path\to\your\image.png";

        // Read the image and perform OCR
        using (var input = new OcrInput(inputFile))
        {
            // Perform OCR
            var result = Ocr.Read(input);

            // Display the result
            Console.WriteLine("Recognized Text:");
            Console.WriteLine(result.Text);
        }
    }
}

Imports IronOcr

Friend Class Program
	Shared Sub Main(ByVal args() As String)
		' Initialize IronTesseract engine
		Dim Ocr = New IronTesseract()

		' Add multiple languages
		Ocr.Language = OcrLanguage.English + OcrLanguage.Spanish + OcrLanguage.French

		' Path to the image
		Dim inputFile = "path\to\your\image.png"

		' Read the image and perform OCR
		Using input = New OcrInput(inputFile)
			' Perform OCR
			Dim result = Ocr.Read(input)

			' Display the result
			Console.WriteLine("Recognized Text:")
			Console.WriteLine(result.Text)
		End Using
	End Sub
End Class

Kullanılan C# programı, İngilizce, İspanyolca ve Fransızca karakterler içeren bir görüntüde Optik Karakter Tanıma gerçekleştirmek için IronOCR kütüphanesini kullanır. Program, IronOCR için gerekli olan namespace'i içe aktararak ve uygulamanın giriş noktası olan Main yöntemi ile Program adlı bir sınıf tanımlayarak başlar.

Ana metod içinde, IronTesseract sınıfının bir örneği oluşturulur ve Ocr değişkenine atanır. Language özelliği, OcrLanguage.English, OcrLanguage.Spanish ve OcrLanguage.French'ı birleştirerek İngilizce, İspanyolca ve Fransızcayı içerecek şekilde ayarlanmıştır. Bu, OCR motorunun bu üç dilden herhangi birinde metni tanımasını ve işlemesini sağlar.

Giriş görüntü dosyasının yolu inputFile değişkeni kullanılarak ayarlanır. Görüntü daha sonra uygun kaynak yönetimi ve atığı için OcrInput sınıfının bir örneği ile bir using ifadesi içinde yüklenir. Son olarak, IronTesseract örneğinin Read metodu, görüntü üzerinde OCR gerçekleştirmek için giriş nesnesi ile çağrılır.

Tanılanan metin daha sonra Console.WriteLine metodu kullanılara konsola yazdırılır. Bu program, IronOCR'un çok dilli kapasitesini kullanarak farklı dillerde kelimeler içeren görüntülerden metin çıkarmanın etkili bir yolunu göstermektedir.

Tesseract OCR Çok Dilli Kullanım (Geliştirici Eğitimi): Şekil 11 - Tanımlanan metin çıktısı

Sonuç

Tesseract OCR Çok Dilli Kullanım (Geliştirici Eğitimi): Şekil 12 - IronOCR lisanslama sayfası

Her iki OCR teknolojisinin de güçlü özellikleri ve avantajları olsa da, Tesseract ve IronOCR'ın kendi özel yetenekleri ve güçlü yönleri vardır. Tesseract, açık kaynaklı olması sebebiyle, ücretsiz çözüm arayanlar için güvenilirdir ve aktif topluluklar ve sürekli iyileştirmeyle birlikte gelir.

Buna karşılık, IronOCR, .NET Framework için tescilli bir kütüphanedir, daha iyi bir kullanıcı deneyimi ve daha kolay entegrasyon sunar, ayrıca çoğu görüntü dosya türünü destekler. Özellikle düşük kaliteli görüntü içeriklerinde metin tanımada iyi performans gösterir. IronOCR, çok sayıda dili tam destekler ve kullanıcı dostu hale getiren ekstra özelliklere sahiptir.

IronOCR, makul maliyetli bir geliştirme sürümü sunar ve satın alındığında, ömür boyu lisans sağlar. IronOCR paketi, birden fazla sistem için tek seferlik bir maliyetle $liteLicense'den başlar, mükemmel bir değer sunar ve lisanslı kullanıcılara 7/24 çevrimiçi mühendis desteği sağlar. Daha fazla bilgi için IronOCR web sitesine bakın.