Tesseract 替代方案（2022 更新）

介紹

Tesseract 最初於 1985 年至 1994 年間由 HP Laboratories Bristol 和 HP 公司創建。 在科羅拉多州的格里利。 1996 年進一步改進以移植到 Windows，並於 1998 年用 C++ 重寫。HP 於 2005 年將 Tesseract 開放源代碼。在 2006 年以來，Google 一直與其合作。

Tesseract OCR 是一個屬於 Google 技術堆栈中的圖像分析 API 類別的工具。它能自動去除雜亂的背景，並能生成與掃描儀製作的 PDF 文件相媲美的 PDF 文件。 Tesseract 使用高精度的光學字符識別技術，能夠將掃描的紙質文件轉換為可搜索的數位文件。 它可以從相機照片、數碼圖像和多頁掃描的 PDF 文件中提取文本和字符。 此外，包含鍵入或打印文本的PDF可以轉換為計算機編碼文本。

有其他的OCR軟體(開源和專有的，基於網絡服務的)皆可從影像檔案和PDF中提取文字。 在本文中，我們將探討幾個作為 Tesseract OCR 替代方案的 OCR 工具。

ABBYY FineReader PDF

由ABBYY開發，ABBYY FineReader PDF是一款光學字符識別軟體，可將影像文件轉換(例如照片、掃描件和PDF檔案)將螢幕截圖轉換為可編輯的檔案格式，如 Microsoft Word、Microsoft Excel、Microsoft PowerPoint、Rich Text Format、HTML、PDF/A、可搜尋的 PDF、CSV 和文字。(純文本).

ABBYY FineReader PDF 可以直接從紙質文件、超過 25 種不同的文件類型，或幾乎任何程序通過 PDF 打印機發佈來生成 PDF 文件。 PDF/A-1至PDF/A-3的長期歸檔已啟用，PDF/UA確保使用螢幕閱讀器等輔助技術時內容可被訪問。

此外，ABBYY FineReader PDF 使專家能夠在數位工作場所中以最高效率執行作業。 ABBYY FineReader 將掃描文件整合到數位流程中，節省管理和完成文件的時間和精力。 您不需要轉換 PDF 就可以編輯文本、表格或整個佈局。 無論文件是如何製作的——無論是數位檔案還是直接從紙本掃描出的，本軟體都可以輕鬆且有條理地處理任何文件。 該軟體還可以創建可編輯的 PDF 文件。

ABBYY FineReader 的桌面版可在 Windows、Linux 和 macOS 上使用。

AWS OCR

作為機器學習(機器學習)網路服務，Amazon Textract 從任何掃描文件中提取文字、表格和其他數據。 它使用深度學習技術精確且自動地從掃描的文件中提取內容，如PDF、照片、表格和表單。 之後，Amazon Textract 會將信息輸出為可編輯的、有組織的檔案格式。

考慮一種情況，公司需要將多家公司的發票紙本上的相關信息轉移到 Excel 試算表上。 通常會使用資料輸入人員手動完成這項任務，但這經常顯得不夠有序、耗時且容易出錯。 此外，其他使用某些OCR軟體解決方案的公司往往需要花費數小時配置工具以從文檔中提取數據。(當它們的格式變更時，通常需要更新).

使用Textract，公司只需將我們的發票上傳到網路服務，就可以從這些文件中以更有條理的格式獲取文本、表格、鍵值對和表格。 這消除了手動、耗時且昂貴的數據輸入過程的需求。

此外，Amazon OCR 使您可以輕鬆地將影像和影片分析添加到您的應用程序中，使用不需要任何機器學習專業知識的經過驗證的高擴展性深度學習技術。

iText

iText 是一款終端用戶 OCR 程式，利用多個行業領先的 OCR 引擎處理掃描的圖像。 根據開源 AGPL 條款，您可以免費使用 iText 7 Core 和一定數量的附加元件。 您也可以選擇各種商業許可證替代方案。

iText 集團是 PDF 技術領域的全球領導者，該公司開發的產品包括 iText 7 Suite 和 iText DITO。 它創造了尖端且獲獎的PDF軟體，這些軟體被全球數百萬客戶用於創建各種用途的數位文件，包括發票、信用卡對帳單、行動登機證、法律檔案保存等。 此軟體有開放原始碼版本和商業軟體版本。

iText Group還提供iText 7 Suite，這是一個完整的開源PDF SDK，包含iText 7 Core以及可選的附加組件，以實現最大自由度和生產力。

腾讯云OCR

來自騰訊雲的OCR技術可以自動檢測和識別照片中的文字。 其可靠性和印刷文字平均準確率超過95%。 OCR技術的文件分析和文字識別算法由騰訊優圖實驗室開發。 它可用於涉及透視失真、不規則照明、部分遮擋等情況。 它支持橫向和縱向模式。 隨著準確度的提高，技術可以區分中文文本、英文文本、中英文混合文本、數字和特殊符號。 它為開發者提供了多種可以直接調用的 API 和易於使用的 SDK。

IronOCR

IronOCR 是一款高度精確且高效的 OCR 文字識別和文件掃描應用程式。 軟體開發人員可以借助 IronOCR for .NET 在 .NET 應用程式和網頁中從圖像和 PDF 中讀取文字。 該軟體協助掃描圖像中的文字和條碼，支持多種外語，並以純文字或結構化數據生成輸出。 Web、控制台、MVC 和各種 .NET 桌面應用程式都可以使用 Iron Software 的 OCR 函式庫。 用於商業目的時，開發團隊將提供直接支持並隨附相關許可證。 IronOCR 快速將圖像轉換、創建、編輯、處理、壓縮和圖像增強等文檔處理功能集成到應用程式中。

• 使用最新的 Tesseract 5 引擎，IronOCR 可以從任何 PDF 格式讀取文本、條碼和 QR 碼。 使用此程式庫，將 OCR 添加到桌面、線上和控制台應用程式變得快速且容易。
• IronOCR 具有數據捕捉能力，例如條碼掃描、文件檢測和掃描，以及從文本中提取數據。 它將源材料，如 PDF 和圖像，轉換為結構化數據記錄。
• IronOCR 支援總共 127 種國際語言。 也支持自定義語言和詞彙表。
• 使用 IronOCR 可以讀取超過 20 種條碼和 QR 碼格式。
• 它支援TIFF和GIF多頁面圖像格式。
• 它可以修正劣質掃描和照片。
• 它允許多線程操作。 它也可以同時運行一個或多個進程。
• 頁面、段落、行、單詞、字符等都可以從IronOCR獲得結構化數據輸出。
• IronOCR 支援的作業系統包括 Windows、Linux、macOS 等。
• 它可以從 PDF 或 JPEG 檔案及各種其他文件中提取信息。
• IronOCR 提供準確性、智能識別字符和區域識別，讓您可以快速創建可編輯的文件。
• IronOCR 批次掃描文件至 PDF，並自動辨識所有語言的文字。 或者，我們可以手動設置應自動識別的語言。
  

  以下是對圖像文件進行OCR的範例代碼。

using IronOcr;

var Ocr = new IronTesseract(); // nothing to configure
using (var Input = new OcrInput(@"images\image.png"))
{
    var Result = Ocr.Read(Input);
    Console.WriteLine(Result.Text);
}

using IronOcr;

var Ocr = new IronTesseract(); // nothing to configure
using (var Input = new OcrInput(@"images\image.png"))
{
    var Result = Ocr.Read(Input);
    Console.WriteLine(Result.Text);
}

Imports IronOcr

Private Ocr = New IronTesseract() ' nothing to configure
Using Input = New OcrInput("images\image.png")
	Dim Result = Ocr.Read(Input)
	Console.WriteLine(Result.Text)
End Using

點擊這裡更多關於IronOCR的教程。

結論

Tesseract 易於使用，支持以多種方法處理圖像和 PDF 文件。 此內容由 IronOCR 在 .NET Framework 環境中提供。 此外，它提供了一些參數來增強 Tesseract OCR 庫的功能。 提供多語言同步使用的功能，涵蓋大量不同的語言。 IronOCR 套件以單一價格提供所有平台的具有競爭力的授權和支持。此外，還包括一年免費更新、功能升級及我們工程團隊的支持。 IronOCR 是 Google 開發的 Tesseract 的最佳替代品之一，只需幾行程式碼即可輕鬆實現。

IronOCR 提供無需支付版稅的重新分發許可，適用於打包軟體產品、SaaS 和 OEM。 相較之下，其他OCR產品都是完全定製選擇的，通常價格更高。這兩款產品的定價不同，其中IronOCR的起價為 $749。 這裡有關授權和定價的更多詳細資料。 簡言之，IronOCR 提供更多功能，而且整體成本較低。