Tesseract C# 與 IronOCR：在 .NET 中應該使用哪個 OCR 函式庫？

在 Visual Studio 中安裝 Tesseract

PM> Install-Package TesseractOCR

PM> Install-Package TesseractOCR

PM> Install-Package TesseractOCR

安裝完成後，從GitHub 上的 tessdata 儲存庫下載對應的訓練數據，並在您的 .NET 專案中設定檔。 tessdata 資料夾必須在運行時可訪問，通常需要設定此資料夾的完整路徑，或將其與可執行檔一起放在輸出目錄中。 .NET wrapper 與語言檔案之間的版本錯配經常導致初始化失敗，這是 Stack Overflow 討論中開發人員經常感到沮喪的原因。

此外，原生的 Tesseract 二進位檔需要在任何執行您應用程式的機器上安裝 Visual C++ Redistributable。 這種依賴關係可能會使部署變得複雜，尤其是在容器化環境或客戶端機器上，因為管理安裝可能並不簡單。

安裝 IronOCR

PM> Install-Package IronOCR

PM> Install-Package IronOCR

IRON VB CONVERTER ERROR developers@ironsoftware.com

Tesseract C# 與 IronOCR：.NET 中 OCR 實現的完整指南：圖 1 - 安裝

IronOCR 將所有的東西都捆綁在單一的可管理 .NET 套件中，從而消除了配置的複雜性。 不需要 C++ 執行時、不需要 tessdata 資料夾管理、不需要追蹤特定平台的原生 DLL。 語言套件會在需要時作為單獨的 NuGet 套件安裝，並與標準的 .NET 依賴項管理整合。 Iron Software 專門為需要 OCR 功能但又不想承擔基礎架構難題的 .NET 開發人員設計了這種方法。 了解更多關於IronOCR入門的資訊。

如何使用每個函式庫從影像中萃取文字？

基本的 OCR 工作流程，例如載入輸入影像並擷取純文字，突顯出 Tesseract 與 IronOCR 在 API 設計上的顯著差異。 瞭解這些差異有助於 .NET 開發人員預測每種方法的學習曲線和實施工作。 這兩個函式庫最終會執行相同的核心功能，但開發人員的體驗卻大不相同。

Tesseract 文字擷取範例

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 故障排除指南解釋了常見的 Tesseract 挑戰和解決方案。

IronOCR文字擷取範例

以下程式碼展示了 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 類別提供了一個託管包裝器，可以自動處理記憶體使用情況。 OcrInput 類別可以直接從文件路徑、位元組數組、流或 System.Drawing 物件接收圖像文件，而無需格式轉換。 產生的 result 物件包含結構化數據，例如置信度分數、單字位置和段落邊界，所有這些對於建立複雜的文件處理管道都很有價值。 查看完整的圖像轉文字教學，了解更多進階功能。

輸入

Tesseract C# 與 IronOCR：.NET 中 OCR 實現的完整指南：圖 2 - 範例影像輸入

輸出

Tesseract C# 與 IronOCR：.NET 中 OCR 實作的完整指南：圖 3 - 控制台輸出

哪些影像預處理選項可提高 OCR 精確度？

現實世界中的文件很少會以原始狀態送達。 掃描的文件可能會被旋轉，照片可能會含有陰影，而傳真過來的 PDF 通常會出現雜訊和失真。 影像預處理能力直接影響生產環境中的 OCR 準確性，也是使用 Tesseract 原生功能與商業 OCR 解決方案之間最顯著的差異之一。

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。 低估這項工作的團隊往往會發現，Tesseract 的"免費"成本會被數週的預處理工作所抵消。

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();  // Correct 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();  // Correct skew on rotated images
input.DeNoise(); // Remove digital noise
var result = ocr.Read(input);
Console.WriteLine(result.Text);

Imports IronOcr

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

IronOCR 支援影像校正濾鏡，可自動解決常見的文件品質問題。 Deskew() 方法透過偵測文字行角度並應用補償旋轉來糾正傾斜。 DeNoise() 方法可以移除掃描或數位雜訊中的偽影，否則這些偽影或雜訊會幹擾文字辨識。 其他濾鏡包括 EnhanceResolution()，用於改善低 DPI 影像；Sharpen()，用於處理模糊文件；Contrast()，用於恢復褪色文字；以及 @@--CODE-104014--@淺色文件。 這些內建的影像預處理工具在大多數文件處理場景中消除了對外部影像處理庫的需求。

輸入

Tesseract C# 與 IronOCR：.NET 中 OCR 實現的完整指南：圖 4 - 範例輸入

輸出

Tesseract C# 與 IronOCR：.NET 中 OCR 實現的完整指南：圖 5 - 傾斜的控制台輸出

每個函式庫支援哪些影像格式？

文件處理工作流程會遇到各種格式的影像檔案：從高解析度掃描件到行動相機拍攝的照片，再到傳統的傳真件。 原生格式支援可減少預處理程式碼，並消除可能降低 OCR 準確度的轉換錯誤。

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 開發人員經常遇到將 System.Drawing 物件或 Stream 來源轉換為 Tesseract 引擎期望的格式的問題，尤其是在處理來自 Web 應用程式或資料庫 blob 儲存的映像時。

多幀 GIF 和多頁 TIFF 需要手動遍歷幀，這為原本簡單的文字擷取任務增加了樣板程式碼。

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 支援所有主流影像格式，包括 JPG、PNG、GIF、TIFF、BMP 和 WebP。該程式庫可自動處理多頁 TIFF 和 GIF 文件，將每一幀作為單獨的頁面進行處理。 對於文件數位化，圖書館直接處理 PDF 文件輸入——從掃描頁面中提取文本，而無需單獨的 PDF 處理庫或圖像轉換步驟。

輸出

Tesseract C# 與 IronOCR：.NET 中 OCR 實現的完整指南：圖 6 - 多圖控制台輸出

如何配置多語言 OCR 處理？

全球 .NET 應用程式必須能夠識別多種語言的文本，包括阿拉伯語、中文、日語和韓語等非拉丁字母語言。 語言配置會影響 OCR 準確性以及 .NET 應用程式部署的複雜性。

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 儲存庫下載對應的 .traineddata 文件，並將其放置在正確的 tessdata 資料夾中。 對於多語言文檔，您可以在 engine 初始化期間指定多種語言。 在開發、測試和生產環境中管理這些語言文件，並確保所有部署目標在輸出目錄中都有正確的版本，這增加了操作複雜性，而且隨著語言需求的增長，這種複雜性還會加劇。

IronOCR 語言包配置

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 將語言套件作為 NuGet 套件分發，並與標準的 .NET 依賴項管理工具整合。 該庫支援127 種以上的語言，包括專門的手寫體和特定腳本變體，能夠優雅地處理多語言文件。 建置過程中的套件還原可確保所有必要的語言檔案自動部署，無需手動檔案管理或版本控制。

跨平台部署有哪些注意事項？

現代 .NET 開發的目標是 Windows、Linux、macOS 以及 Azure 和 AWS 等雲端環境。 OCR程式庫相容性對.NET應用程式的部署複雜性和運作維度有顯著影響。

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 開發人員都曾經遇到這樣的情況：當原生依賴項沒有正確打包時，部署就會失敗，而這些相依性在本機 Visual Studio 開發中卻運作良好。

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。 同一個 NuGet 套件可以在 Windows、macOS、Linux、 Azure 應用程式服務、 AWS Lambda和Docker 容器中穩定運作。 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。

不同庫之間的 OCR 結果資料如何比較？

除了純文字擷取之外，結構化的 OCR 輸出也可實現進階的文件處理工作流程。 了解每個程式庫提供哪些資料有助於架構師為其 .NET 應用程式設計合適的後處理邏輯。

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。 API介面功能齊全，但缺少生產文件管道通常需要的分層結果模型。

IronOCR 具備置信度分數的結構化結果

using IronOcr;
var ocr = new IronTesseract();
using var input = new OcrInput();
input.LoadImage("document.png");
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}%");
    }
}

using IronOcr;
var ocr = new IronTesseract();
using var input = new OcrInput();
input.LoadImage("document.png");
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}%");
    }
}

Imports IronOcr

Dim ocr As New IronTesseract()
Using input As New OcrInput()
    input.LoadImage("document.png")
    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
End Using

OcrResult 類別提供對頁面、段落、行、單字和單字的分層存取。 每個元素都包含邊界框座標和置信度分數，使 .NET 應用程式能夠突出顯示識別的文字區域、從特定區域提取內容、驗證識別品質或標記置信度低的部分以供人工審核。 IronOCR 還可以將結果直接匯出為可搜尋的 PDF或hOCR/HTML 格式，以便進行存檔和搜尋索引。

輸出

Tesseract C# 與 IronOCR：.NET 中 OCR 實現的完整指南：圖 7 - 置信度分數輸出

Tesseract 何時最合適

Tesseract 在特定場景下表現良好，其優缺點可以接受：

• 預算限制要求採用開源的 Apache 2.0 授權解決方案。
• 僅處理乾淨、高品質的數位文件（原生數位 PDF、螢幕截圖） 開發團隊擁有 C++ 互通性和原生庫管理的經驗
• 專案要求僅限於基本的 OCR 文字擷取，不含進階功能 目標部署環境是一個受控環境，可以在其中一致地管理依賴項。

IronOCR 帶來更佳效果

IronOCR 是生產工作負載的更好選擇：

• 建立生產級 .NET 應用程序，其中 OCR 準確性會影響業務成果
• 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
• 開發時間表不允許我們應對配置和預處理方面的挑戰
• 要求包括PDF檔案處理、條碼和二維碼讀取，或結構化結果資料處理

對於先前建置過基於 Tesseract 的管道並且正在評估遷移的團隊， IronOCR 遷移指南涵蓋了關鍵的 API 差異和過渡步驟。