Tesseract 與 Microsoft OCR：正面對比

Tesseract OCR 的主要特點

-開源： Tesseract 根據 Apache License 2.0 的條款，可供任何人免費使用、修改和分發。由於社群的貢獻，其開源設計極大地促進了其廣泛應用和持續改進。 -語言支援： Tesseract 除了支援多種語言外，還能辨識 100 多種不同的文字和字元集。 由於其多語言功能，它適用於各種語言和地理區域的各種 OCR 應用。 -準確性： Tesseract 以其出色的文字辨識準確性而聞名，尤其是在正確設定並使用相關資料進行訓練的情況下。 即使照片存在各種問題，例如角度扭曲、品質低劣和光線不足，它也能可靠地從照片中提取文字。 -選項： Tesseract 提供了大量的配置和自訂選項。 針對特定使用場景，使用者可以調整多個參數以最大限度地提高 OCR 效能。 此外，Tesseract 可以與各種平台和電腦語言（如 Java、C++、Python 和 C#）結合使用，使開發人員能夠在廣泛的應用程式中利用其功能。 Tesseract 會持續進行開發和維護，定期添加新功能以提高其準確性、效能和語言支援。 Tesseract 的開源社群支持其持續發展，保證它始終是一款最先進的 OCR 工具。

安裝適用於 .NET 的 Tesseract OCR

第一步是在您的電腦上安裝 Tesseract OCR。您可以從 Tesseract 官方 GitHub 程式碼庫取得 Tesseract 安裝程式：https://github.com/tesseract-ocr/tesseract 。

若要在您的電腦上安裝 Tesseract OCR，請依照特定於您的作業系統（Windows、macOS 或 Linux）的安裝說明進行操作。 安裝 Tesseract OCR 後，使用 Visual Studio 的 NuGet 套件管理器將 Tesseract.NET 包裝器新增至您的 C# 專案。

在 Visual Studio 中開啟 C# 專案後，導覽至"工具"->"NuGet 套件管理器"->"管理解決方案的 NuGet 套件"。 您可以透過在 NuGet 套件管理員中搜尋"Tesseract"來找到名為"Tesseract"或"Tesseract.NET"的套件。 若要將該軟體包新增至您的專案中，請選擇它並按一下"安裝"。

Tesseract 與 Microsoft OCR（OCR 功能比較）：圖 1 - Tesseract

使用 C# 的 Tesseract OCR

請依照以下步驟在 C# 專案中使用 Tesseract：

using Tesseract;

class Program
{
    static void Main(string[] args)
    {
        // Initialize the Tesseract engine with the path to your Tesseract installation and the desired language(s)
        using (var engine = new TesseractEngine(@"path_to_tesseract_folder", "eng", EngineMode.Default))
        {
            // Load the image from which to extract text
            using (var img = Pix.LoadFromFile("image.png"))
            {
                // Process the image and extract the text
                using (var page = engine.Process(img))
                {
                    // Get the extracted text
                    var text = page.GetText();
                    Console.WriteLine(text); // Print the extracted text
                }
            }
        }
    }
}

using Tesseract;

class Program
{
    static void Main(string[] args)
    {
        // Initialize the Tesseract engine with the path to your Tesseract installation and the desired language(s)
        using (var engine = new TesseractEngine(@"path_to_tesseract_folder", "eng", EngineMode.Default))
        {
            // Load the image from which to extract text
            using (var img = Pix.LoadFromFile("image.png"))
            {
                // Process the image and extract the text
                using (var page = engine.Process(img))
                {
                    // Get the extracted text
                    var text = page.GetText();
                    Console.WriteLine(text); // Print the extracted text
                }
            }
        }
    }
}

為此，請提供 Tesseract 安裝目錄的位置以及您希望在 TesseractEngine 建構函式選項中使用的語言。 將"eng"替換為您想要使用的語言的語言程式碼（例如， "eng"代表英文），並將"path_to_tesseract_folder"替換為 Tesseract 安裝目錄的實際路徑。

在 C# 專案中設定好 Tesseract 後，您現在可以利用其 OCR 功能從圖片中提取文字。 TesseractEngine 實例可用於處理已載入的圖片，使用 Pix 類別提取文字或對圖像檔案執行 OCR，將"image.png"替換為圖像檔案的路徑。

主要特點

-與 Azure 認知服務整合： Microsoft OCR 功能與 Azure 認知服務協同工作，Azure 認知服務是一系列由 AI 驅動的 Microsoft Azure API 和服務。 透過這種連接，開發人員可以使用 REST API、SDK 和客戶端程式庫輕鬆地將 Microsoft OCR 功能整合到應用程式和工作流程中。 -高精度和高效能：由於其複雜的機器學習模型經過大量資料集的訓練，微軟 OCR 能夠提供高精度和高效能的文字辨識。 由於它能夠從具有複雜佈局和各種字體的照片中精確提取文本，因此適用於廣泛的 OCR 應用。 -可擴充性和可靠性： Microsoft OCR 是 Azure 認知服務的一個元件，它具有可擴展性和可靠性，因此適用於具有不同處理要求的應用程式。 它可以有效管理大量文件和同時處理多個請求，確保正常運作時間和穩定的效能。 -多語言支援： Microsoft OCR 與其他 OCR 程式一樣，支援多語言識別，使用戶能夠從照片中提取各種語言和字元集的文字。 由於支援多種語言，因此適用於滿足全球各種語言需求的應用。

要在 C# 專案中使用 Microsoft OCR，必須將其與 Azure 認知服務（更具體地說是電腦視覺 API）結合使用。 以下是開始的方法：

建立 Azure 帳戶

如果您還沒有 Azure 帳戶，則必須建立一個。 您可以建立一個免費的 Azure 帳戶，並在試用期內存取多項服務。

配置 Azure 認知服務

如果您擁有 Azure 帳戶，則必須設定 Azure 認知服務中的電腦視覺服務。

• 開啟Azure 入口網站。
• 點選"建立資源"尋找"電腦視覺"。
• 選擇電腦視覺服務後，按一下"建立"。
• 若要設定服務，請依照指示選擇訂閱和價格等級。
• 服務建置完成後，前往資源並儲存訂閱金鑰和端點 URL； 你需要它們來驗證你的查詢的真實性。

安裝 Azure 認知服務 SDK

利用微軟 Azure 是可行的。 若要在 C# 專案中與電腦視覺 API 通信，請使用 CognitiveServices.Vision.ComputerVision NuGet 套件。

在 Visual Studio 中開啟 C# 專案後，依序選擇"工具"->"NuGet 套件管理器"->"管理解決方案的 NuGet 套件"。

透過搜尋"Microsoft.Azure.CognitiveServices.Vision.ComputerVision"來安裝此軟體套件。

Tesseract 與 Microsoft OCR（OCR 功能比較）：圖 2 - Microsoft.Azure.CognitiveServices.Vision.ComputerVision

IronOCR的主要特點

-簡單整合：您可以透過使用 NuGet 套件或直接在專案中存取程式庫，輕鬆地將 IronOCR 整合到您的 C# 或 VB.NET 專案中。 -多功能OCR： IronOCR可以識別來自各種來源的文本，例如螢幕截圖、掃描文件、PDF文件和照片。它能夠處理多種影像類型，包括BMP、TIFF、PNG和JPEG。 -精準的文字辨識： IronOCR 利用先進的 OCR 演算法，實現了卓越的文字辨識準確率。 使用此方法可以可靠地提取不同解析度、字體和背景的照片中的文字。 -支援多種語言： IronOCR 適用於多語言應用程序，因為它能夠識別多種語言。 它支援客製化語言培訓，並內建了常用語言的語言包。

• PDF 文字擷取： IronOCR 可以擷取掃描的 PDF 和基於影像的 PDF 中的文字。 從 PDF 文件中刪除文字時，可以保持內容的原始格式和佈局。 -影像預處理：在 OCR 處理之前，IronOCR 可以透過影像預處理功能提高輸入影像的品質。 這包括諸如傾斜校正、對比度調整和降噪等任務。

IronOCR 使用 C

以下是一個使用 IronOCR 的基本 C# 範例：

// Create an instance of IronTesseract
var Ocr = new IronTesseract(); // nothing to configure
// Set the language and Tesseract version to be used for OCR
Ocr.Language = OcrLanguage.EnglishBest;
Ocr.Configuration.TesseractVersion = TesseractVersion.Tesseract5;

// Prepare the image input and perform OCR
using (var Input = new OcrInput())
{
    // Add the image for OCR processing
    Input.AddImage(@"Demo.png");
    // Read the text from the image
    var Result = Ocr.Read(Input);
    // Print the recognized text
    Console.WriteLine(Result.Text);
    Console.ReadKey(); // Wait for user input before closing
}

// Create an instance of IronTesseract
var Ocr = new IronTesseract(); // nothing to configure
// Set the language and Tesseract version to be used for OCR
Ocr.Language = OcrLanguage.EnglishBest;
Ocr.Configuration.TesseractVersion = TesseractVersion.Tesseract5;

// Prepare the image input and perform OCR
using (var Input = new OcrInput())
{
    // Add the image for OCR processing
    Input.AddImage(@"Demo.png");
    // Read the text from the image
    var Result = Ocr.Read(Input);
    // Print the recognized text
    Console.WriteLine(Result.Text);
    Console.ReadKey(); // Wait for user input before closing
}

我們可以使用上述程式碼從影像中提取數據，並獲得最高的 OCR 準確率。 此外，IronOCR 還有助於將從文件中提取的文字轉換為可編輯的文件格式，包括 Word 文件。 我們也可以將掃描文件轉換為可搜尋的 PDF 文件。 使用 IronOCR，結果可以儲存為各種 OCR 輸出格式。 要了解更多關於該代碼的信息，請參考這裡。

圖片來源：

Tesseract 與 Microsoft OCR（OCR 功能比較）：圖 3 - 輸入影像

結果：

Tesseract 與 Microsoft OCR（OCR 功能比較）：圖 4 - 控制台輸出