IronOCR 和 AWS Textract OCR 之間的比較

文字辨識的OCR演算法主要分為模式匹配和特徵提取兩種類型。

模式匹配

在模式匹配過程中，字元影像（或字形）會被分離出來，並與先前記錄的字形進行比較。

特徵提取

透過特徵提取過程，字形被劃分為線條、閉合環、線條方向和線條連接等特徵。

IronOCR 是一個 C# .NET 函式庫，提供掃描、搜尋、讀取影像和 PDF 的服務。 它包含 125 種以上的全球語言包。 輸出結果可以以文字、結構化資料或可搜尋的 PDF 格式呈現。 支援 .NET 版本，例如 6、5、Core、Standard 和 Framework。

IronOCR 的獨特之處在於它能夠自動偵測和提取掃描不完美的影像和文件中的資料。 "IronTesseract"類別擁有最直接的API。 它提供了目前已知最先進的 Tesseract 版本，可在任何平台上運行，速度更快、精度更高，並具有原生 DLL 和 API。

IronOCR 還可以掃描所有影像格式的條碼和二維碼，並使用最新的 Tesseract 5 引擎讀取文字和執行 PDF 掃描。

特點

• 它完全是為 .NET 應用程式而設計的。
• 它支援125種不同的語言。 IronOCR 支援阿拉伯語、中文、英語、芬蘭語、法語、德語、日語以及許多其他語言。
• 它可以校正傾斜影像的位置，並去除影像中的噪聲，從而獲得精確的輸出。
• 它在低解析度、低DPI的影像上表現非常出色。
• 它可以讀取多種類型的二維碼和條碼。 它還支援 Gif 和 Tiff 格式。 它允許多個線程同時運行。 這是其他 OCR 庫所不具備的突出功能。 它使流程更加順暢。
• 它可以輕鬆地對 PDF 文件執行 OCR 識別，並使用 OCR 識別匯出可搜尋的 PDF 文件。

現在，我們來看看 AWS OCR。

亞馬遜的 AWS Textract 是一項機器學習 (ML) 服務，可自動從掃描文件中提取文字和資料。 它超越了簡單的光學字元辨識 (OCR)，利用深度學習技術來識別、理解和提取表單和表格中的資料。

AWS OCR Textract 使用機器學習來讀取和處理任何類型的文檔，無需人工幹預即可準確提取文字、表格資料和其他資料。 Textract 可以快速提取數據，而無需像傳統方法那樣花費數小時甚至數天。 此外，您還可以使用亞馬遜增強型人工智慧 (AI) 新增人工評論，以監督您的模型並檢查敏感資料。

特點

• 偵測各種文件中的文本，包括財務報告、醫療記錄、表格和稅務表格。
• 使用文件分析 API 從具有結構化資料的文件中提取文字、表單和表格資料。
• 使用分析文件 API 中的查詢功能，指定和擷取文件中的資訊。
• 使用 Analyze Expense API 處理發票和收據。
• 處理美國簽發的身份證明文件，例如駕駛執照和護照 政府部門使用 Analyze ID API。
• 可擴展的文件分析，可以加快決策速度。

文章的其他部分如下：

1. 建立 Visual Studio 項目
2. 安裝 IronOCR
3. 安裝 AWS OCR Textract
4. PDF 轉文本
5. 圖片轉文字
6. 條碼和二維碼轉文本
7. 許可
8. 結論

IronOCR 使用先進的 Tesseract 技術，能夠識別和讀取 PDF 文件格式中的文字。 以下簡單程式碼用於提取資訊：

var Ocr = new IronTesseract();
using (var input = new OcrInput())
{
    input.AddPdf("example.pdf", "password");
    // We can also select specific PDF page numbers to OCR
    var Result = Ocr.Read(input);
    Console.WriteLine(Result.Text);
    Console.WriteLine($"{Result.Pages.Count()} Pages");
    // Read every page of the PDF
}

var Ocr = new IronTesseract();
using (var input = new OcrInput())
{
    input.AddPdf("example.pdf", "password");
    // We can also select specific PDF page numbers to OCR
    var Result = Ocr.Read(input);
    Console.WriteLine(Result.Text);
    Console.WriteLine($"{Result.Pages.Count()} Pages");
    // Read every page of the PDF
}

Dim Ocr = New IronTesseract()
Using input = New OcrInput()
	input.AddPdf("example.pdf", "password")
	' We can also select specific PDF page numbers to OCR
	Dim Result = Ocr.Read(input)
	Console.WriteLine(Result.Text)
	Console.WriteLine($"{Result.Pages.Count()} Pages")
	' Read every page of the PDF
End Using

程式碼簡潔明了，非常容易理解和使用。

輸入PDF文件

範例 PDF

輸出

IronOCR 輸出

Amazon Textract 讓您輕鬆地將文件文字偵測和分析功能新增至您的應用程式。 以下程式碼用於讀取 PDF 文件，並傳入同一個 PDF 文件：

public static async void ReturnResult()
{
    AmazonTextractClient client = new AmazonTextractClient("your_access_key_id", "your_secret_access_key", Amazon.RegionEndpoint.AFSouth1);
    var request = new StartDocumentTextDetectionRequest();
    request.DocumentLocation = new DocumentLocation
    {
        S3Object = new S3Object
        {
            Bucket = "your_bucket_name",
            Name = "your_bucket_key"
        }
    };
    var id = await client.StartDocumentTextDetectionAsync(request);
    var jobId = id.JobId;
    var response = client.GetDocumentTextDetectionAsync(new GetDocumentTextDetectionRequest{
        JobId = jobId
    });
    response.Wait();
    if (response.Result.JobStatus.Equals("SUCCEEDED"))
    {
        foreach (var block in response.Result.Blocks)
        {
            if (block.BlockType == "WORD" || block.BlockType == "PAGE" || block.BlockType == "LINE")
            {
                Console.WriteLine(block.Text);
            }
        }
    }
}

static void Main(String[] args)
{
    ReturnResult();
}

public static async void ReturnResult()
{
    AmazonTextractClient client = new AmazonTextractClient("your_access_key_id", "your_secret_access_key", Amazon.RegionEndpoint.AFSouth1);
    var request = new StartDocumentTextDetectionRequest();
    request.DocumentLocation = new DocumentLocation
    {
        S3Object = new S3Object
        {
            Bucket = "your_bucket_name",
            Name = "your_bucket_key"
        }
    };
    var id = await client.StartDocumentTextDetectionAsync(request);
    var jobId = id.JobId;
    var response = client.GetDocumentTextDetectionAsync(new GetDocumentTextDetectionRequest{
        JobId = jobId
    });
    response.Wait();
    if (response.Result.JobStatus.Equals("SUCCEEDED"))
    {
        foreach (var block in response.Result.Blocks)
        {
            if (block.BlockType == "WORD" || block.BlockType == "PAGE" || block.BlockType == "LINE")
            {
                Console.WriteLine(block.Text);
            }
        }
    }
}

static void Main(String[] args)
{
    ReturnResult();
}

Public Shared Async Sub ReturnResult()
	Dim client As New AmazonTextractClient("your_access_key_id", "your_secret_access_key", Amazon.RegionEndpoint.AFSouth1)
	Dim request = New StartDocumentTextDetectionRequest()
	request.DocumentLocation = New DocumentLocation With {
		.S3Object = New S3Object With {
			.Bucket = "your_bucket_name",
			.Name = "your_bucket_key"
		}
	}
	Dim id = Await client.StartDocumentTextDetectionAsync(request)
	Dim jobId = id.JobId
	Dim response = client.GetDocumentTextDetectionAsync(New GetDocumentTextDetectionRequest With {.JobId = jobId})
	response.Wait()
	If response.Result.JobStatus.Equals("SUCCEEDED") Then
		For Each block In response.Result.Blocks
			If block.BlockType = "WORD" OrElse block.BlockType = "PAGE" OrElse block.BlockType = "LINE" Then
				Console.WriteLine(block.Text)
			End If
		Next block
	End If
End Sub

Shared Sub Main(ByVal args() As String)
	ReturnResult()
End Sub

這段程式碼有點複雜，比較冗長，在傳遞和檢索物件時需要格外注意。 首先，我們需要建立一個帶有 3 個參數的AmazonTextractClient物件： AccessKeyId 、 SecretAccessKey和Region 。 然後我們需要使用StartDocumentTextDetectionRequest()方法發起請求。 然後，請求物件使用儲存桶名稱和鍵來設定DocumentLocation 。 然後將此請求傳遞給StartDocumentTextDetectionAsync()方法。 由於這是一個非同步方法，我們必須使用await關鍵字並將ReturnResult函數設為非同步函數。 成功後，返回結果並保存 jobId。 將 jobId 傳遞給GetDocumentTextDetectionAsync()方法，並等待SUCCEEDED回應。 使用foreach循環遍歷每個區塊，檢查它是"WORD"、"PAGE"還是"LINE"，然後列印文字辨識結果。 最後，在Main方法中呼叫此方法進行文檔處理。

輸出

輸出結果與 IronOCR 非常相似。

AWS Textract 輸出

這段程式碼與之前的程式碼幾乎相同。 這裡， AddPDF方法被替換為AddImage方法。

var Ocr = new IronTesseract();
using (var Input = new OcrInput())
{
    Input.AddImage("test-files/redacted-employmentapp.png");
    //... you can add any number of images
    var Result = Ocr.Read(Input);
    Console.WriteLine(Result.Text);
}

var Ocr = new IronTesseract();
using (var Input = new OcrInput())
{
    Input.AddImage("test-files/redacted-employmentapp.png");
    //... you can add any number of images
    var Result = Ocr.Read(Input);
    Console.WriteLine(Result.Text);
}

Dim Ocr = New IronTesseract()
Using Input = New OcrInput()
	Input.AddImage("test-files/redacted-employmentapp.png")
	'... you can add any number of images
	Dim Result = Ocr.Read(Input)
	Console.WriteLine(Result.Text)
End Using

輸入影像

已編輯的員工數據

輸出

輸出結果清晰，與原圖完全一致，只需幾行程式碼，無需任何技術細節，即可獲得完美的輸出效果。

影像輸出