Tesseract vs Microsoft OCR：頭對頭比較

Tesseract OCR的主要特點

• 開源： Tesseract在Apache License 2.0條款下可自由使用、修改和分發。它的開源設計大大促成了其廣泛的採用和持續的改進，這要歸功於社群的貢獻。
• 語言支援： Tesseract除了可以識別語言外，還能識別超過100種不同的腳本和字元集。 由於多語言能力，它適合於各種語言和地理區域的廣泛OCR應用。
• 準確性： Tesseract因其出色的文字識別準確性而聞名，特別是在正確設定且用相關資料訓練的情況下。 它能夠可靠地從具有多種問題的照片中提取文字，包括扭曲的角度、低質量和不充分的照明。
• 選項： Tesseract提供了大量的配置和自訂選項。 對於特定的使用案例，使用者可以調整若干參數以最大化OCR性能。 此外，Tesseract可以與各種平台和電腦語言（例如Java、C++、Python和C#）結合，讓開發者在廣泛的應用程式中利用其功能。
• Tesseract持續開發和維護，定期新增新的功能以提高其準確性、性能和語言支援。 Tesseract的開源社群支援其持續開發，保證它始終是一個最先進的OCR工具。

為.NET安裝Tesseract OCR

在您的電腦上安裝Tesseract OCR是第一步。您可以從官方Tesseract的GitHub資料庫中獲取Tesseract安裝程式：https://github.com/tesseract-ocr/tesseract。

要在您的電腦上安裝Tesseract OCR，請按照與您的作業系統（Windows、macOS或Linux）特定的安裝說明進行操作。 在安裝Tesseract OCR後，使用Visual Studio的NuGet套件管理器將Tesseract.NET包裝器新增到您的C#項目中。

開啟您的C#項目後，導航到工具選單 -> NuGet套件管理器 -> 專案解決方案的NuGet套件管理， 在NuGet套件管理器中，您應可以通過搜尋"Tesseract"找到名為"Tesseract"或"Tesseract.NET"的套件。 要將該套件包括在您的專案中，請選擇它並點擊安裝。

Tesseract OCR using C

按照以下步驟在您的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
                }
            }
        }
    }
}

Imports Tesseract

Friend Class Program
	Shared Sub Main(ByVal args() As String)
		' Initialize the Tesseract engine with the path to your Tesseract installation and the desired language(s)
		Using engine = New TesseractEngine("path_to_tesseract_folder", "eng", EngineMode.Default)
			' Load the image from which to extract text
			Using img = Pix.LoadFromFile("image.png")
				' Process the image and extract the text
				Using page = engine.Process(img)
					' Get the extracted text
					Dim text = page.GetText()
					Console.WriteLine(text) ' Print the extracted text
				End Using
			End Using
		End Using
	End Sub
End Class

要做到這一點，請在TesseractEngine構造函式選項中提供Tesseract安裝目錄的位置及您希望使用的語言或語言。 將"path_to_tesseract_folder"替換為實際的Tesseract安裝目錄路徑。

在您的C#專案中設置好Tesseract後，您現在可以使用其OCR功能從圖片中提取文字。 TesseractEngine實例可以在使用Pix類載入圖片後處理圖片以提取文字或在影像文件上運行OCR，將"image.png"替換為影像文件的路徑。

關鍵特性

• 與Azure認知服務的整合： Microsoft OCR與Azure認知服務協同工作，這是一組由AI驅動的Microsoft Azure API和服務。 透過這種連接，開發者可以通過使用REST API、SDK和客戶端庫，輕鬆將Microsoft OCR功能整合到應用程式和工作流程中。
• 高準確性和性能： 由於其訓練了大量資料集的先進機器學習模型，Microsoft OCR提供高準確性和性能的字元識別。 由於能夠從具有複雜佈局和各種型別的照片中準確提取文字，它適用於廣泛的OCR應用寺。
• 可擴展性和可靠性：身為Azure 認知服務的一部分，Microsoft OCR提供可擴展性和依賴性，這使得它作為一個適合不同處理需求的應用程式。 它可以藉由保證正常運行時間和穩定性能來有效地處理高數量的文件和多個請求。
• 多語言支持：如其他OCR程式一樣，Microsoft OCR 允許多語言識別，使使用者可以從多種語言和字集的照片中提取文字。 因為它具有多語言支持，它適用於廣泛的應用程式，滿足不同的語言需求。

您必須將Microsoft OCR 與Azure 認知服務（更具體地說是計算機視覺API）結合起來才能在您的C#專案中使用它。 以下是您可以開始使用的方法：

建立Azure帳戶

如果您還沒有Azure帳戶，必須建立一個。 您可以建立一個免費的Azure帳戶，在試用期間可存取多種服務。

配置Azure認知服務

當您有了Azure帳戶後，需要在Azure認知服務中配置計算機視覺服務。

• 開啟 Azure入口網站。
• 在"建立資源"中搜尋"計算機視覺"。
• 選擇計算機視覺服務後，點擊"建立"。 -根據提示選擇訂閱和價格層以配置服務。
• 在建立服務後，轉到資源並保存訂閱金鑰和端點URL； 您需要它們來驗證您的查詢的真實性。

安裝Azure認知服務SDK

可使用Microsoft Azure。 在您的C#項目中使用CognitiveServices.Vision.ComputerVision NuGet軟體包。

開啟您的C#項目後，導航到工具 -> NuGet Package Manager -> 管理解決方案中的NuGet軟體包。

透過搜尋"Microsoft.Azure.CognitiveServices.Vision.ComputerVision"來安裝這個軟體包。

IronOCR的關鍵功能

• 簡單整合：可以輕鬆透過使用NuGet套件或直接在您的專案中存取該程式庫來將IronOCR整合到您的C#或VB.NET專案中。
• 多功能OCR： IronOCR能夠識別來自廣泛來源的文字，如截圖、掃描的文件、PDF文件及照片。它能夠處理幾種影像型別，包括BMP、TIFF、PNG和JPEG。
• 準確的文字識別： IronOCR使用先進的OCR算法提供卓越的文字識別準確性。 它能夠可靠地從解析度不同、字體不同以及背景不同的圖片中提取文字。
• 對多種語言的支援： IronOCR適合多語言應用程式，因為它能夠識別多種語言。 它支持定制語言訓練，並且附有常用語言的內建語言包。
• PDF文字提取：掃描及基於影像的PDF都能透過IronOCR提取文字。 從PDF文件中提取文字時，它可以保持內容的原始格式和佈局。
• 圖像預處理：在OCR處理之前，IronOCR可以透過圖像預處理功能提高傳入影像的質量。 這包括例如糾偏、對比度修改以及降噪等任務。

IronOCR Using C

這是一個使用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
}

' Create an instance of IronTesseract
Dim 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 Input = New OcrInput()
	' Add the image for OCR processing
	Input.AddImage("Demo.png")
	' Read the text from the image
	Dim Result = Ocr.Read(Input)
	' Print the recognized text
	Console.WriteLine(Result.Text)
	Console.ReadKey() ' Wait for user input before closing
End Using

使用上述程式碼，我們可以達到最高OCR精度地從圖像中提取資料。 此外，IronOCR還促進了從文件中提取的文字轉換為可編輯文件格式，如Word。 我們也可以將掃描的文件轉換成為可搜尋的PDF。 使用IronOCR，結果可以以各種OCR輸出格式保存。 欲了解有關於程式碼的更多資訊，請參考這裡。

來源影像：

結果：