使用 Tesseract C# vs IronOCR：在 .NET 中實現 OCR 的完整指南

Tesseract 實作 - 一個簡單的範例

考慮以下使用 Tesseract 引擎的影像處理工作流程。此程式碼示範從 PNG 檔案擷取文字的基本 OCR：

using TesseractOCR;
using TesseractOCR.Enums;
// Initialize the engine with tessdata path and language
using var engine = new Engine(@"./tessdata", Language.English, EngineMode.Default);
// Load input image using Pix format
using var img = Pix.LoadFromFile("document.png");
// Process the image and create a page
using var page = engine.Process(img);
// Extract plain text from recognized text
Console.WriteLine(page.GetText());

using TesseractOCR;
using TesseractOCR.Enums;
// Initialize the engine with tessdata path and language
using var engine = new Engine(@"./tessdata", Language.English, EngineMode.Default);
// Load input image using Pix format
using var img = Pix.LoadFromFile("document.png");
// Process the image and create a page
using var page = engine.Process(img);
// Extract plain text from recognized text
Console.WriteLine(page.GetText());

Imports TesseractOCR
Imports TesseractOCR.Enums

' Initialize the engine with tessdata path and language
Using engine As New Engine("./tessdata", Language.English, EngineMode.Default)
    ' Load input image using Pix format
    Using img As Pix = Pix.LoadFromFile("document.png")
        ' Process the image and create a page
        Using page As Page = engine.Process(img)
            ' Extract plain text from recognized text
            Console.WriteLine(page.GetText())
        End Using
    End Using
End Using

此方法需要管理 tessdata 資料夾路徑、確保正確的檔案權限，以及處理 Tesseract 引擎所期望的 Pix 影像格式。如果訓練資料檔案遺失或不相容，引擎初始化可能會產生異常。 由於本機 Tesseract 資源必須妥善處理，以防止未經管理的程式碼造成洩漏，因此記憶體的使用需要小心注意。 對於遇到初始化問題的開發人員，IronOCR 疑難排解指南解釋了 Tesseract 常見的難題和解決方案。

IronOCR Tesseract 實作

以下程式碼展示了 .NET IronOCR 如何簡化相同的文字擷取任務：

using IronOcr;
// Initialize the OCR engine
var ocr = new IronTesseract();
// Load and process the input image
using var input = new OcrInput();
input.LoadImage("document.png");
// Read text with automatic optimization
var result = ocr.Read(input);
Console.WriteLine(result.Text);

using IronOcr;
// Initialize the OCR engine
var ocr = new IronTesseract();
// Load and process the input image
using var input = new OcrInput();
input.LoadImage("document.png");
// Read text with automatic optimization
var result = ocr.Read(input);
Console.WriteLine(result.Text);

Imports IronOcr

' Initialize the OCR engine
Dim ocr As New IronTesseract()

' Load and process the input image
Using input As New OcrInput()
    input.LoadImage("document.png")
    ' Read text with automatic optimization
    Dim result = ocr.Read(input)
    Console.WriteLine(result.Text)
End Using

IronTesseract 類別提供了一個可管理的封包，可自動處理記憶體的使用。 OcrInput 類別可直接從檔案路徑、位元組陣列、串流或 System.Drawing 物件接受影像檔案，而無需格式轉換要求。 由此產生的 result 物件包含結構化資料，例如置信度分數、字詞位置和段落邊界，這些資料對於建立複雜的文件處理管道都很有價值。 探索完整的image-to-text教學以獲得更多進階功能。

輸入

輸出

Tesseract 預先處理的限制

Tesseract 引擎的設計目的在於處理乾淨、高解析度的影像檔案，並正確地導向文字。 在處理旋轉或有雜訊的影像時，OCR 引擎經常會傳回亂碼輸出或完全無法辨識文字。 要解決這些影像品質問題，需要使用 ImageMagick、OpenCV 等外部工具，或是在將影像傳送至 OCR 引擎之前必須執行的自訂預處理程式碼。

這種預處理開銷增加了大量的 .NET 開發時間。每種文件類型都可能需要不同的修正例程，而在不同的輸入中調整這些管道以獲得最佳結果，本身就是一項專案。

IronOCR 內建影像預處理

using IronOcr;
var ocr = new IronTesseract();
using var input = new OcrInput();
input.LoadImage("skewed-scan.png");
// Apply automatic corrections for high accuracy
input.Deskew();  // Correcting skew on rotated images
input.DeNoise(); // Remove digital noise
var result = ocr.Read(input);
Console.WriteLine(result.Text);

using IronOcr;
var ocr = new IronTesseract();
using var input = new OcrInput();
input.LoadImage("skewed-scan.png");
// Apply automatic corrections for high accuracy
input.Deskew();  // Correcting skew on rotated images
input.DeNoise(); // Remove digital noise
var result = ocr.Read(input);
Console.WriteLine(result.Text);

Imports IronOcr

Dim ocr = New IronTesseract()
Using input = New OcrInput()
    input.LoadImage("skewed-scan.png")
    ' Apply automatic corrections for high accuracy
    input.Deskew()  ' Correcting skew on rotated images
    input.DeNoise() ' Remove digital noise
    Dim result = ocr.Read(input)
    Console.WriteLine(result.Text)
End Using

IronOCR 支援 影像修正篩選器，可自動處理常見的文件品質問題。 Deskew()方法透過偵測文字行角度並套用補償旋轉，來修正偏斜。 DeNoise()方法可移除掃描所產生的人工雜訊或數位雜訊，否則這些雜訊會混淆文字辨識。 其他進階功能包括：EnhanceResolution()可改善低DPI影像、Sharpen()可使模糊的文件更清晰、Contrast()可還原褪色的文字，以及Invert()可反轉明暗文件。 這些內建的影像預處理工具在大多數的文件處理情境中都不需要使用外部影像處理函式庫。

輸入

輸出

。

Tesseract 格式要求

Tesseract 的底層 Leptonica 函式庫可在內部使用 PIX 格式的影像。 雖然 .NET wrapper 可自動處理某些轉換，但複雜的影像格式（例如多頁 TIFF 或 PDF 文件）則需要額外處理，而且通常需要外部函式庫。 .NET 開發人員在將 System.Drawing 物件或 Stream 來源轉換為 Tesseract 引擎所期望的格式時，經常會遇到問題，尤其是在處理來自 Web 應用程式或資料庫 blob 儲存的影像時。

多格的 GIF 和多頁的 TIFF 需要手動迭代各格，為原本簡單的文字擷取範例增加了模板程式碼。

IronOCR 格式的靈活性

using IronOcr;
var ocr = new IronTesseract();
using var input = new OcrInput();
// Load various image formats directly
input.LoadImage("photo.jpg");
input.LoadImage("screenshot.png");
input.LoadImage("fax.tiff");
input.LoadPdf("scanned-contract.pdf");
var result = ocr.Read(input);
Console.WriteLine(result.Text);

using IronOcr;
var ocr = new IronTesseract();
using var input = new OcrInput();
// Load various image formats directly
input.LoadImage("photo.jpg");
input.LoadImage("screenshot.png");
input.LoadImage("fax.tiff");
input.LoadPdf("scanned-contract.pdf");
var result = ocr.Read(input);
Console.WriteLine(result.Text);

Imports IronOcr

Dim ocr As New IronTesseract()
Using input As New OcrInput()
    ' Load various image formats directly
    input.LoadImage("photo.jpg")
    input.LoadImage("screenshot.png")
    input.LoadImage("fax.tiff")
    input.LoadPdf("scanned-contract.pdf")
    Dim result = ocr.Read(input)
    Console.WriteLine(result.Text)
End Using

IronOCR 支援 所有主要格式的影像，包括 JPG、PNG、GIF、TIFF、BMP 和 WebP。該函式庫會自動處理 多頁 TIFF 和 GIF，將每一格視為單獨的頁面來處理。 針對文件數位化，該函式庫可直接處理 PDF 檔案輸入—從掃描頁面中擷取文字，而不需要另外的 PDF 處理函式庫或影像轉換步驟。

輸出

Tesseract 語言設定

using TesseractOCR;
using TesseractOCR.Enums;
// Requires downloading fra.traineddata to tessdata folder
using var engine = new Engine(@"./tessdata", Language.French, EngineMode.Default);

using TesseractOCR;
using TesseractOCR.Enums;
// Requires downloading fra.traineddata to tessdata folder
using var engine = new Engine(@"./tessdata", Language.French, EngineMode.Default);

Imports TesseractOCR
Imports TesseractOCR.Enums

' Requires downloading fra.traineddata to tessdata folder
Using engine As New Engine("./tessdata", Language.French, EngineMode.Default)
End Using

每種語言都需要從 Tesseract GitHub 套件庫下載相應的 .traineddata 檔案，並將其放置在正確的 tessdata 資料夾。 對於多語言文件，您可在 引擎 初始化時指定多種語言。 在開發、暫存和生產環境中管理這些語言檔案，並確保所有部署目標在輸出目錄中都有正確的版本，會增加作業的複雜性，而且會隨著語言需求的增加而增加。

.NET IronOCR 語言包

using IronOcr;
var ocr = new IronTesseract();
// Install IronOcr.Languages.French NuGet package first
ocr.Language = OcrLanguage.French;
// Process multi-language documents
ocr.AddSecondaryLanguage(OcrLanguage.German);

using IronOcr;
var ocr = new IronTesseract();
// Install IronOcr.Languages.French NuGet package first
ocr.Language = OcrLanguage.French;
// Process multi-language documents
ocr.AddSecondaryLanguage(OcrLanguage.German);

Imports IronOcr

Dim ocr As New IronTesseract()
' Install IronOcr.Languages.French NuGet package first
ocr.Language = OcrLanguage.French
' Process multi-language documents
ocr.AddSecondaryLanguage(OcrLanguage.German)

IronOCR 將 語言套件分發為 NuGet 套件，並與標準的 .NET Framework 和 .NET Core 相依性管理工具整合。 該函式庫支援 127+種語言，包括針對手寫和特定腳本的專門變體，可優雅地處理多國語言文件。 建立過程中的套件還原功能可確保所有需要的語言檔案自動部署—無須手動管理檔案或版本問題。

Tesseract 平台的挑戰

Tesseract .NET wrapper 實作依賴針對特定平台編譯的本機 C++ 函式庫。 DLL 或共用庫檔案在 Windows、Linux 和 macOS，以及 32 位元和 64 位元架構之間有所不同。 部署到 Linux 需要與 Windows 不同的二進位檔，並在部署環境中設定適當的函式庫路徑。

雲端部署帶來了額外的挑戰。 Azure App Services、AWS Lambda 和容器化環境可能缺乏原生 Tesseract 所需的 Visual C++ 執行時。 在 Docker 容器或無伺服器功能中安裝這些相依性，會增加建立管道的複雜性，並增加映像大小。 許多 .NET 開發人員會遇到部署失敗的問題，這些問題在本機 Visual Studio 開發中運作良好，但卻因為本機相依性沒有正確打包。

IronOCR 跨平台一致性

IronOCR 以純托管 .NET 函式庫的方式執行，無須管理外部的本機相依性。 相同的 NuGet 套件可在 Windows、macOS、Linux、Azure App Services、AWS Lambda 和 Docker containers 中一致運作。 此架構可大幅簡化 CI/CD 管線，讓您在本地建立並可靠地部署到生產中，而無需針對特定平台調整組態。 一次建立您的部署並隨地執行。

Tesseract 結果存取

using var page = engine.Process(img);
// Basic OCR text output
string text = page.Text;
// Confidence score (mean across all recognized text)
float confidence = page.GetMeanConfidence();

using var page = engine.Process(img);
// Basic OCR text output
string text = page.Text;
// Confidence score (mean across all recognized text)
float confidence = page.GetMeanConfidence();

Imports System

Using page = engine.Process(img)
    ' Basic OCR text output
    Dim text As String = page.Text
    ' Confidence score (mean across all recognized text)
    Dim confidence As Single = page.GetMeanConfidence()
End Using

Tesseract 會提供已識別的文字和整體信心分數。 存取更細緻的資料，例如個別字詞的位置或每個字詞的置信度，需要額外的 API 呼叫，並小心迭代結果結構。

IronOCR 具備置信度分數的結構化結果

var result = ocr.Read(input);
// Full text extraction
Console.WriteLine(result.Text);
// Iterate through structured elements with confidence scores
foreach (var page in result.Pages)
{
    foreach (var paragraph in page.Paragraphs)
    {
        Console.WriteLine($"Paragraph: {paragraph.Text}");
        Console.WriteLine($"Confidence: {paragraph.Confidence}%");
    }
}

var result = ocr.Read(input);
// Full text extraction
Console.WriteLine(result.Text);
// Iterate through structured elements with confidence scores
foreach (var page in result.Pages)
{
    foreach (var paragraph in page.Paragraphs)
    {
        Console.WriteLine($"Paragraph: {paragraph.Text}");
        Console.WriteLine($"Confidence: {paragraph.Confidence}%");
    }
}

Dim result = ocr.Read(input)
' Full text extraction
Console.WriteLine(result.Text)
' Iterate through structured elements with confidence scores
For Each page In result.Pages
    For Each paragraph In page.Paragraphs
        Console.WriteLine($"Paragraph: {paragraph.Text}")
        Console.WriteLine($"Confidence: {paragraph.Confidence}%")
    Next
Next

OcrResult類別提供分層存取頁面、段落、行、字詞和個別字元的功能。 每個元素都包含邊界方塊座標和可信度分數，讓 .NET 應用程式能夠強調識別的文字區域、從特定區域擷取內容、驗證識別品質，或標示可信度低的部分供人工檢閱。 IronOCR 也可以將結果直接匯出為 searchable PDFs 或 hOCR/HTML 格式，以便存檔和搜尋索引。

輸出

何時考慮使用 Tesseract？

• 預算限制禁止商業授權，因此必須使用開放原始碼。
• 專門處理乾淨、高品質的數位文件 (原始數位 PDF 文件、螢幕截圖)
• 開發團隊擁有 C++ InterOp 和原生程式庫管理的經驗
• 專案要求僅限於基本的 OCR 文字擷取，不含進階功能
• 目標部署是可以管理依賴性的受控環境

何時選擇 IronOCR？

• 建立 OCR 準確度會影響業務成果的 .NET 生產應用程式
• 處理不同品質的文件，包括掃描、照片、傳真和行動擷取文件
• 跨多個平台或雲端環境部署，一致性非常重要
• 需要專業的技術支援，並定期修正錯誤和更新功能
• .NET 開發時程不允許與配置和預處理挑戰搏鬥
• 要求包括 PDF 檔案處理、條碼/QR 讀取，或結構化結果資料。