IronOCR與AWS Textract OCR的比較

用於文字識別的兩種主要OCR演算法型別是模式匹配和特徵提取。

模式匹配

字元圖片或字形在模式匹配過程中被單獨隔離並與先前記錄的字形進行比較。

特徵提取

透過特徵提取的過程，字形被分解成線條、封閉環、線條方向和線條連接等特徵。

IronOCR是一個C# .NET程式庫，提供掃描、搜尋、讀取圖片和PDF的服務。 它附帶超過125個全球語言包。 輸出是以文字、結構化資料或可搜尋的PDF形式實現的。 支援 .NET 版本如 6、5、Core、Standard 和 Framework。

IronOCR 的獨特在於能夠自動檢測並提取從非完美掃描的影像和文件中的資料。 'IronTesseract' 類別擁有最簡單易用的API。 它提供了在任何平台上已知的最先進版本的Tesseract，具有更高的速度、準確性，以及一個本地DLL和API。

IronOCR還可以從所有圖像格式中掃描條碼和QR碼，並使用最新的Tesseract 5引擎讀取文字和執行PDF掃描。

功能

• 它專門為.NET應用程式製作。 它可以支援125種不同的語言。 IronOCR支持阿拉伯語、中文、英語、芬蘭語、法語、德語、日語以及許多其他語言。 它可以校正傾斜圖像的位置並去除圖像中的噪點以獲得精確的輸出。 它在低解析度和低DPI的圖像中表現非常出色。 它可以讀取多種型別的QR Code和條碼。 它也支援GIF和TIFF格式。 它允許多個執行緒同時運行。 這是一個在其他OCR程式庫中不存在的卓越功能。 這使流程更加順暢。
• 它可以輕鬆地對PDF文件執行OCR，並使用OCR導出可搜尋的PDF文件。

現在，讓我們來看看AWS OCR。

Amazon 的 AWS Textract 是一種機器學習 (ML) 服務，可自動從掃描的文件中提取文字和資料。 它不僅僅是簡單的光學字元識別 (OCR)，還利用深度學習技術來識別、理解和萃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型別的文件，精確提取文字、表格資料和其他資料，無需人工努力。 Textract可以快速完成資料提取工作，而不需要花費幾小時或幾天的時間。 此外，您可以使用 Amazon 增強人工智慧 (AI) 新增人工審查，以監督您的模型並檢查敏感資料。

功能

檢測各類文件中的文字，包括財務報告、醫療記錄、表格和稅單。using Document Analysis API 從結構化資料的文件中提取文字、表單和表格資料。 使用Analyze Document API中的查詢功能，指定並提取文件中的資訊。

• 使用Analyze Expense API處理發票和收據。
• 處理美國簽發的身份證件，例如駕駛執照和護照。 政府，使用Analyze ID API。 可擴展的文件分析可以加速決策制定。

文章的其餘部分如下：

1. 建立Visual Studio專案
2. 安裝IronOCR
3. 安裝 AWS OCR Textract
4. PDF轉換為文字
5. 圖片轉文字
6. 條碼及QR碼轉換為文字
7. 授權
8. 結論

IronOCR允許使用先進的Tesseract從PDF文件格式中識別和讀取文字。 以下簡單的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

該程式碼簡單、乾淨且非常易於理解和使用。

輸入PDF文件

範例PDF

輸出

IronOCR輸出

Amazon Textract 使您可以輕鬆將文件文字偵測和分析功能新增到您的應用程式中。 以下程式碼用於讀取PDF，並傳遞同一個PDF：

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

這段程式碼有些棘手，較為冗長，在傳遞和檢索物件時需要注意。 首先，我們必須建立一個Region。 然後我們必須使用StartDocumentTextDetectionRequest()方法發起請求。 請求物件然後使用桶名稱和金鑰設置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ReturnResult函式設為非同步。 成功後，結果將返回且jobId會被保存。 將jobId傳遞給SUCCEEDED響應。 foreach 迴圈用來遍歷每個區塊並檢查其是否為"WORD"、"PAGE"或"LINE"，然後輸出文字識別結果。 最後，在Main方法中調用此方法以進行文件處理。

輸出

輸出與IronOCR非常相似。

AWS Textract輸出

這段程式碼與之前的幾乎相似。 此處，AddPDF 方法被更換為 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

輸入圖片

已編輯的員工資料

輸出

輸出的結果乾淨且符合原始圖像，只需幾行簡單程式碼即可實現完美的輸出。

圖片輸出