Gelişmiş Okuma için OCR Yapılandırması

Giriş

Aşağıdaki araç tescil kaydı büyük harfli metin, küçük harfli metin ve özel sembollerin bir karışımını içerir (@, $, #, |, *), ve noktalama işaretleri.

BlackListCharacters, ,~@@- gibi bilinen gürültü sembollerini aktif olarak hariç tutarak beyaz listeyi tamamlar-CODE-372--@@@, 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 görülebilir:

• "Plate: ABC-1234" ifadesi "P ABC-1234" olarak çevrilir. Küçük harfli "late:" kelimesi çıkarılırken, plaka numarası aynen korunur.
• "VIN: 1HGBH41JXMN109186" ifadesi "VIN 1HGBH41JXMN109186" şeklinde çevrilmelidir. İki nokta üst üste işareti kaldırılır, ancak büyük harfli VIN ve tam sayı korunur.
• "Owner: john.doe@email.com" ifadesi "O" olarak değiştirilmelidir. E-postadaki tüm küçük harfler ve noktalama işaretleri kaldırılmıştır.
• "Bölge: CA-90210 | "Zone #5" ifadesi "R CA-90210 Z 5" olarak **çevrilir**. Pipe (|) and hash (#) kaldırılırken, büyük harfler ve sayılar korunur.
• "Ücret: 125,00 $ + vergi*" ifadesi "F 12500" olarak çevrilir. Dolar işareti, ondalık nokta, Plus işareti ve küçük harfli "tax" kelimesi kaldırılmıştır.
• "Ref: ~record_v2^final" ifadesi "R 2" olarak çevrilir. Tilde (~), alt çizgi, caret (^) ve tüm küçük harfler kaldırılır.

Aynı WhiteListCharacters ve BlackListCharacters yaklaşımı, sadece plaka numaraları için değil, her türlü belge türü için geçerlidir. Bir sonraki bölümde, aynı geçişte BARCODE'ları ve tablo yapılarını algılamak için bir okuyucunun nasıl genişletileceği gösterilmektedir.

Giriş

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

IronTesseract ocr = new IronTesseract();

ocr.Co/nfiguration = 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.Co/nfiguration = 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

Metin yerleşiminin düzensiz olduğu taranmış bir sayfada, SparseText, Auto'den daha fazla içeriği kurtarır.

Giriş

receipt-scan.png, dört satırlık (kahve, muffin, meyve suyu, granola bar), kesikli ayırıcı, ara toplam, vergi ve toplam içeren bir Corner Market termal fişidir. Bu, sabit blok segmentasyonunun farklı yatay konumlardaki girdileri kaçırdığı türden bir düzenidir.

IronTesseract ocr = new IronTesseract();

ocr.Co/nfiguration = 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.Co/nfiguration = 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 IronOcr

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 düzen segmentasyonu ayarlandıktan sonra, bir sonraki adım, sonraki işlemler için çıktı formatını kontrol etmektir.

Giriş

scanned-document.pdf, IronOCR Solutions Ltd. tarafından gönderilen tek sayfalık bir iş mektubudur (tarih: 15 Mart 2024, referans: DOC-2024-OCR-0315). Sonuç searchable-output.pdf olarak kaydedilir.

IronTesseract ocr = new IronTesseract();

ocr.Co/nfiguration = 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.Co/nfiguration = 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 IronTesseract

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, girdiyle aynı görünen ancak gizli bir metin katmanı içeren bir PDF dosyasıdır. searchable-output.pdf dosyasını açın ve Ctrl+F tuşlarını kullanarak gömülü metnin aranabilir ve kopyalanabilir olduğunu doğrulayın.

RenderHocr, metin içeriğini her WORD kelimenin sınır kutusu koordinatlarıyla birlikte kodlayan bir HTML dosyası olan hOCR belgesi üretir. Bu, redaksiyon motorları veya belge düzeni analizi gibi, aşağı akış araçlarının WORD kelimelerin konumunun kesin olarak belirlenmesini gerektirdiği durumlarda yararlıdır.

Giriş

document-page.png, "2024 1. Çeyrek Özet" başlığını taşıyan ve gelir, işletme maliyetleri ve büyüme faktörlerini kapsayan iki paragraflık finansal veriler içeren bir belge sayfasıdır. Sonuç output.html olarak kaydedilir.

IronTesseract ocr = new IronTesseract();

ocr.Co/nfiguration = 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.Co/nfiguration = new TesseractConfiguration
{
    RenderHocr = true,
};

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

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

Imports IronTesseract

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, tanınan her WORD'u sınırlayıcı kutu koordinatlarıyla kodlar. hOCR yapısını incelemek için dosyayı bir tarayıcıda açın veya düzen analizi veya düzenleme için dosyayı bir alt araçta işleyin.

Tek bir okuma çağrısından üç çıktı formatının tümüne (düz metin, aranabilir PDF ve hOCR) ihtiyacınız varsa, her iki bayrak da aynı anda etkinleştirilebilir.

Bu çıktı bayrakları, Latin alfabesi dışındaki yazılar da dahil olmak üzere, okunan dilden bağımsız olarak çalışır. Bir sonraki bölümde, Japonca metne karakter filtrelemesinin nasıl uygulanacağı gösterilmektedir.

Giriş

Belge, bir başlık (テスト), Hiragana ve Katakana ile sesli işaret varyantlarının (プ, で) karıştığı bir Japonca cümle, yasaklanmış gürültü sembollerinin (★, ■) ve Kanji (価格) içeren bir fiyat satırı ile başka bir kara listeye alınmış sembol (§), daha fazla Kanji (購入), ek sesli işaret varyantları (プ, デ) ve temel Katakana (メモ, ール) içeren bir not satırı içerir. Beyaz liste yalnızca temel Hiragana, temel Katakana, rakamlar ve yaygın Japonca noktalama işaretlerini geçirir; Üç gürültü sembolü açıkça yasaklanmıştır.

Hiragana ve Katakana için Unicode karakter aralıkları WhiteListCharacters içinde dize sabitleri olarak aktarılır; gürültü sembolleri ise BlackListCharacters içinde listelenmiştir.

: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 çıktının tamamı jp-output.txt adlı metin dosyasında mevcuttur.

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