Gelişmiş Okuma İçin OCR Konfigürasyonu

Girdi

Aşağıdaki araç kayıt belgesi, büyük harfli metin, küçük harfli metin, özel semboller (@, $, #, |, *) ve noktalamaların bir karışımını içerir.

BlackListCharacters, `, and * gibi bilinen gürültü sembollerini aktif olarak hariç tutarak beyaz listeyi tamamlar.

:path=/static-assets/ocr/content-code-examples/how-to/ocr-configurations-for-advanced-reading.cs

using IronOcr;

// Initialize the Tesseract OCR engine
IronTesseract ocr = new IronTesseract();

ocr.Configuration = new TesseractConfiguration
{
    // Whitelist only characters that appear on license plates
    WhiteListCharacters = "ABCDEFGHIJKLMNOPQRSTUVWXYZ0123456789- ",

    // Blacklist common noise characters
    BlackListCharacters = "`~@#$%&*",
};

var ocrInput = new OcrInput();
// Load the input image
ocrInput.LoadImage("advanced-input.png");
// Perform OCR on the input image with ReadPhoto method
var results = ocr.ReadPhoto(ocrInput);

// Print the filtered text result to the console
Console.WriteLine(results.Text);

Imports IronOcr

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

ocr.Configuration = New TesseractConfiguration With {
    ' Whitelist only characters that appear on license plates
    .WhiteListCharacters = "ABCDEFGHIJKLMNOPQRSTUVWXYZ0123456789- ",
    
    ' Blacklist common noise characters
    .BlackListCharacters = "`~@#$%&*"
}

Dim ocrInput As New OcrInput()
' Load the input image
ocrInput.LoadImage("advanced-input.png")
' Perform OCR on the input image with ReadPhoto method
Dim results = ocr.ReadPhoto(ocrInput)

' Print the filtered text result to the console
Console.WriteLine(results.Text)

Çıktı

Beyaz liste filtrelemesi sonuçlarda açıkça görülmektedir:

• "Plaka: ABC-1234" "P ABC-1234" olur. Küçük harfli "late:" kelimesi çıkarılırken, plaka numarası tam olarak korunur.
• "VIN: 1HGBH41JXMN109186" "VIN 1HGBH41JXMN109186" olur. İki nokta üst üste çıkarılır, ancak büyük harfli VIN ve tam numara korunur.
• "Sahip: john.doe@email.com" "O" olur. Tamamen küçük harfli e-posta ve noktalama kaldırılır.
• "Bölge: CA-90210 |Bölge #5" "R CA-90210 Z 5"** olur. Boru (|) and hash (#) kaldırılırken, büyük harfler ve sayılar korunur.
• "Ücret: $125.00 + vergi*" "F 12500" olur. Dolar işareti, ondalık nokta, artı işareti ve küçük harfli "vergi" tamamen kaldırılır.
• "Ref: ~record_v2^final" "R 2" olur. Tilde (~), alt tire, caret (^) ve tüm küçük harfler kaldırılır.

Ayni WhiteListCharacters ve BlackListCharacters yaklaşımı, sadece plaka değil, her tür belge için çalışır. Bir sonraki bölüm, bar kodları ve tablo yapısını aynı geçişte tespit etmeyi nasıl genişleteceğinizi gösterir.

Girdi

single-line-label.png tam olarak bir satır kalın Courier metni içeren dar bir kargo etiketidir: SHIPPING LABEL: TRK-2024-XR9-001.

IronTesseract ocr = new IronTesseract();

ocr.Configuration = new TesseractConfiguration
{
    PageSegmentationMode = TesseractPageSegmentationMode.SingleLine,
};

using OcrInput input = new OcrInput();
input.LoadImage("single-line-label.png");

OcrResult result = ocr.Read(input);
Console.WriteLine(result.Text);

IronTesseract ocr = new IronTesseract();

ocr.Configuration = new TesseractConfiguration
{
    PageSegmentationMode = TesseractPageSegmentationMode.SingleLine,
};

using OcrInput input = new OcrInput();
input.LoadImage("single-line-label.png");

OcrResult result = ocr.Read(input);
Console.WriteLine(result.Text);

Imports IronOcr

Dim ocr As New IronTesseract()

ocr.Configuration = New TesseractConfiguration With {
    .PageSegmentationMode = TesseractPageSegmentationMode.SingleLine
}

Using input As New OcrInput()
    input.LoadImage("single-line-label.png")

    Dim result As OcrResult = ocr.Read(input)
    Console.WriteLine(result.Text)
End Using

Düzensiz metin yerleşimine sahip taranmış bir sayfa icin, SparseText Auto daha fazla içerik kurtarır.

Girdi

receipt-scan.png köşe pazarı termal makbuzu, dört satır öğe (kahve, muffin, meyve suyu, granola çubuğu), kesikli ayırıcı, ara toplam, vergi ve toplam içeren bir reçetedir. Bu tür bir düzen, sabit blok segmentasyonu farklı yatay pozisyonlardaki girişleri kaçırır.

IronTesseract ocr = new IronTesseract();

ocr.Configuration = new TesseractConfiguration
{
    PageSegmentationMode = TesseractPageSegmentationMode.SparseText,
};

using OcrInput input = new OcrInput();
input.LoadImage("receipt-scan.png");

OcrResult result = ocr.Read(input);
Console.WriteLine(result.Text);

IronTesseract ocr = new IronTesseract();

ocr.Configuration = new TesseractConfiguration
{
    PageSegmentationMode = TesseractPageSegmentationMode.SparseText,
};

using OcrInput input = new OcrInput();
input.LoadImage("receipt-scan.png");

OcrResult result = ocr.Read(input);
Console.WriteLine(result.Text);

Imports IronTesseract

Dim ocr As New IronTesseract()

ocr.Configuration = New TesseractConfiguration With {
    .PageSegmentationMode = TesseractPageSegmentationMode.SparseText
}

Using input As New OcrInput()
    input.LoadImage("receipt-scan.png")

    Dim result As OcrResult = ocr.Read(input)
    Console.WriteLine(result.Text)
End Using

Belge türüne göre ayarlanmış düzen segmentasyonu ile, bir sonraki adım, çıkış formatını aşağı akış işlemine kontrol etmektir.

Girdi

scanned-document.pdf, IronOCR Solutions Ltd. tarafından gelen tek sayfali bir iş mektubudur. (15 Mart 2024 tarihli, DOC-2024-OCR-0315 referanslı). Sonuç searchable-output.pdf olarak kaydedilir.

IronTesseract ocr = new IronTesseract();

ocr.Configuration = new TesseractConfiguration
{
    RenderSearchablePdf = true,
};

using OcrInput input = new OcrInput();
input.LoadPdf("scanned-document.pdf");

OcrResult result = ocr.Read(input);
result.SaveAsSearchablePdf("searchable-output.pdf");

IronTesseract ocr = new IronTesseract();

ocr.Configuration = new TesseractConfiguration
{
    RenderSearchablePdf = true,
};

using OcrInput input = new OcrInput();
input.LoadPdf("scanned-document.pdf");

OcrResult result = ocr.Read(input);
result.SaveAsSearchablePdf("searchable-output.pdf");

Imports IronOcr

Dim ocr As New IronTesseract()

ocr.Configuration = New TesseractConfiguration With {
    .RenderSearchablePdf = True
}

Using input As New OcrInput()
    input.LoadPdf("scanned-document.pdf")

    Dim result As OcrResult = ocr.Read(input)
    result.SaveAsSearchablePdf("searchable-output.pdf")
End Using

Çıktı

Çıktı, girilenle aynı görünen ancak gizli bir metin katmanı içeren bir PDF'dir. searchable-output.pdf acın ve gömülü metnin aranabilir ve kopyalanabilir olduğunu doğrulamak için Ctrl+F kullanın.

RenderHocr, metin iceriğini her kelimenin bounding box koordinatlari ile birlikte kodlayan bir hOCR belgesi, HTML dosyası oluşturur. Bu, örneğin, belgenin düzen analizi veya belgenin sansürleme motorları için kesin kelime konumlandırmayı gerektiğinde kullanışlıdır.

Girdi

document-page.png başlığı "Çeyreklik Özet Q1 2024" ve gelir, işletme maliyetleri ve büyüme faktörlerini kapsayan iki paragraf finansal veri içeren bir belge sayfasıdır. Sonuç output.html olarak kaydedilir.

IronTesseract ocr = new IronTesseract();

ocr.Configuration = new TesseractConfiguration
{
    RenderHocr = true,
};

using OcrInput input = new OcrInput();
input.LoadImage("document-page.png");

OcrResult result = ocr.Read(input);
result.SaveAsHocrFile("output.html");

IronTesseract ocr = new IronTesseract();

ocr.Configuration = new TesseractConfiguration
{
    RenderHocr = true,
};

using OcrInput input = new OcrInput();
input.LoadImage("document-page.png");

OcrResult result = ocr.Read(input);
result.SaveAsHocrFile("output.html");

Imports IronOcr

Dim ocr As New IronTesseract()

ocr.Configuration = New TesseractConfiguration With {
    .RenderHocr = True
}

Using input As New OcrInput()
    input.LoadImage("document-page.png")

    Dim result As OcrResult = ocr.Read(input)
    result.SaveAsHocrFile("output.html")
End Using

Çıktı

output.html her tanınmış kelimeyi bounding box koordinatları ile kodlar. hOCR yapısını incelemek için dosyayı bir tarayıcıda açın veya düzen analizi veya sansür için alt akış aracı olarak geçirin.

Üç çıktı formatını (düz metin, aranabilir PDF ve hOCR) tek bir okuma çağrısından almak gerekiyorsa her iki bayrak da aynı anda etkinleştirilebilir.

Bu çıkış bayrakları, okunan dilin bağımsız olarak çalışır, Latin olmayan yazı tipleri dahil. Bir sonraki bölüm, Japonca metnine karakter filtrelemeyi nasıl uygulayacağınızı gösterir.

Girdi

Doküman, başlık (テスト), Hiragana ve Katakana ile sesli işaret varyantlarını (プ, で) karıştıran bir Japonca cümle, kara listeye alınmış parazit sembolleri (★, ■) ve Kanji'yi (価格) içeren bir fiyat satırı ile kara listeye alınmış sembolleri (§), daha fazla Kanji (購入), ek sesli işaret varyantlarını (プ, デ) ve temel Katakana (メモ, ール) içeren bir not satırı içerir. Beyaz liste, sadece temel Hiragana, temel Katakana, rakamlar ve yaygın Japon noktalamasını geçirir; üç parazit sembolü açıkça kara listeye alınmıştır.

Hiragana ve Katakana için Unicode karakter aralıkları, WhiteListCharacters içinde dize literalleri olarak iletilir, gürültü sembolleri BlackListCharacters içinde listelenir.

:path=/static-assets/ocr/content-code-examples/how-to/ocr-configurations-for-advanced-reading-jp.cs

using IronOcr;
using System.IO;

IronTesseract ocr = new IronTesseract();

ocr.Configuration = new TesseractConfiguration
{
    // Whitelist only Hiragana, Katakana, numbers, and common Japanese punctuation
    WhiteListCharacters = "あいうえおかきくけこさしすせそたちつてとなにぬねのはひふへほまみむめもやゆよらりるれろわをん" +
                            "アイウエオカキクケコサシスセソタチツテトナニヌネノハヒフヘホマミムメモヤユヨラリルレロワヲン" +
                            "0123456789、。？！（）¥ー",

    // Blacklist common noise/symbols you want to ignore
    BlackListCharacters = "★■§",
};

var ocrInput = new OcrInput();

// Load Japanese input image
ocrInput.LoadImage("jp.png");

// Perform OCR on the input image with ReadPhoto method
var results = ocr.ReadPhoto(ocrInput);

// Write the text result directly to a file named "output.txt"
File.WriteAllText("output.txt", results.Text);

// You can add this line to confirm the file was saved:
Console.WriteLine("OCR results saved to output.txt");

Imports IronOcr
Imports System.IO

Dim ocr As New IronTesseract()

ocr.Configuration = New TesseractConfiguration With {
    .WhiteListCharacters = "あいうえおかきくけこさしすせそたちつてとなにぬねのはひふへほまみむめもやゆよらりるれろわをん" &
                           "アイウエオカキクケコサシスセソタチツテトナニヌネノハヒフヘホマミムメモヤユヨラリルレロワヲン" &
                           "0123456789、。？！（）¥ー",
    .BlackListCharacters = "★■§"
}

Dim ocrInput As New OcrInput()

' Load Japanese input image
ocrInput.LoadImage("jp.png")

' Perform OCR on the input image with ReadPhoto method
Dim results = ocr.ReadPhoto(ocrInput)

' Write the text result directly to a file named "output.txt"
File.WriteAllText("output.txt", results.Text)

' You can add this line to confirm the file was saved:
Console.WriteLine("OCR results saved to output.txt")

Çıktı

Filtrelenmiş bütün çıktı, bir metin dosyası olarak mevcuttur: jp-output.txt.

Beyaz liste yalnızca temel Hiragana ve Katakana karakterlerini içerdiğinden, プ (pu) ve デ (de) gibi türetilmiş sesli işaret varyantları çıkarılır. 価格 (fiyat) ve 購入 (satın alma) gibi Kanji karakterleri, beyaz liste karakter seti dışında kaldıkları için de dahil edilmez. ★, ■ ve § gibi kara listeye alınmış semboller, beyaz listeye bakılmaksızın aktif olarak kaldırılır.