如何使用 Tesseract 從影像中提取文本

1.1 安裝 Tesseract

使用NuGet套件管理器控制台，輸入以下指令：

Install-Package Tesseract

或透過NuGet套件管理員下載該套件。

如何取得 OCR 文字辨識功能，圖 1：在NuGet套件管理器中安裝 Tesseract 套件 在NuGet套件管理器中安裝 Tesseract 套件

安裝NuGet套件後，必須手動將語言檔案安裝並儲存到專案資料夾中。 這可以被視為該特定庫的一個缺陷。

請造訪以下網站下載語言檔案。 下載完成後，解壓縮文件，並將"tessdata"資料夾新增至專案的偵錯資料夾。

1.2. 使用 Tesseract(快速入門)

可以使用以下原始程式碼對給定影像進行OCR識別：

using Tesseract;

class Program
{
    static void Main()
    {
        // Initialize Tesseract engine with English language data
        using var ocrEngine = new TesseractEngine(@"tessdata", "eng", EngineMode.Default);

        // Load the image to be processed
        using var img = Pix.LoadFromFile("Demo.png");

        // Process the image to extract text
        using var res = ocrEngine.Process(img);

        // Output the recognized text
        Console.WriteLine(res.GetText());
        Console.ReadKey();
    }
}

using Tesseract;

class Program
{
    static void Main()
    {
        // Initialize Tesseract engine with English language data
        using var ocrEngine = new TesseractEngine(@"tessdata", "eng", EngineMode.Default);

        // Load the image to be processed
        using var img = Pix.LoadFromFile("Demo.png");

        // Process the image to extract text
        using var res = ocrEngine.Process(img);

        // Output the recognized text
        Console.WriteLine(res.GetText());
        Console.ReadKey();
    }
}

• 首先，必須建立一個 TesseractEngine 對象，將語言資料載入引擎。 然後藉助 Pix.LoadFromFile 載入所需的圖片檔案。
• 將圖像傳遞給 TesseractEngine 以使用 Process 方法提取文字。
• 使用 GetText 方法取得辨識出的文本，並將其列印到控制台。

從圖像中提取的文本

1.3 超立方體的考慮因素

1. Tesseract 從 3.00 版本開始支援輸出文字格式、OCR 位置資料和頁面佈局分析。
2. Tesseract 可在 Windows、Linux 和 MacOS 上運行，但由於開發支援有限，目前已確認其主要在 Windows 和 Ubuntu 上按預期運行。
3. Tesseract 可以區分等寬字體和比例字體。
4. 利用 OCRopus 等前端，Tesseract 非常適合用作後端，並可用於更具挑戰性的 OCR 作業，例如佈局分析。
5. Tesseract 的一些不足之處：
   • 最新版本並未設計為可在 Windows 系統上編譯。 Tesseract 的 C# API 封裝器維護頻率很低，而且比 Tesseract 的新版本落後數年。

要了解有關 C# 中 Tesseract 的更多信息，請訪問Tesseract 教程。

2.1. 安裝IronOCR

在NuGet套件管理器控制台中輸入以下命令：

Install-Package IronOcr

或者，您也可以透過NuGet套件管理器安裝IronOCR庫，以及其他語言的附加套件，這些套件使用起來既簡單又方便。

透過NuGet套件管理器安裝IronOCR和語言套件

2.2. 使用IronOCR

以下是識別給定圖像中文字的範例程式碼：

using IronOcr;

class Program
{
    static void Main()
    {
        // Create an IronTesseract instance with predefined settings
        var ocr = new IronTesseract()
        {
            Language = OcrLanguage.EnglishBest,
            Configuration = { TesseractVersion = TesseractVersion.Tesseract5 }
        };

        // Create an OcrInput instance for image processing
        using var input = new OcrInput();

        // Load the image to be processed
        input.AddImage("Demo.png");

        // Process the image and extract text
        var result = ocr.Read(input);

        // Output the recognized text
        Console.WriteLine(result.Text);
        Console.ReadKey();
    }
}

using IronOcr;

class Program
{
    static void Main()
    {
        // Create an IronTesseract instance with predefined settings
        var ocr = new IronTesseract()
        {
            Language = OcrLanguage.EnglishBest,
            Configuration = { TesseractVersion = TesseractVersion.Tesseract5 }
        };

        // Create an OcrInput instance for image processing
        using var input = new OcrInput();

        // Load the image to be processed
        input.AddImage("Demo.png");

        // Process the image and extract text
        var result = ocr.Read(input);

        // Output the recognized text
        Console.WriteLine(result.Text);
        Console.ReadKey();
    }
}

• 此程式碼初始化一個 IronTesseract 對象，設定語言和 Tesseract 版本。 然後建立一個 OcrInput 對象，使用 AddImage 方法載入圖片檔案。
• Read 方法處理圖像並提取文本，然後將文本列印到控制台。

使用IronOCR庫提取文字輸出

2.3IronOCR比 (IronOCR) 考量

1. IronOCR是 Tesseract 函式庫的擴展，引入了更高的穩定性和更高的準確性。
2. IronOCR可以讀取PDF和照片中的文字內容。 它還可以讀取 20 多種不同類型的條碼和二維碼。
3. 輸出可以呈現為純文字、結構化資料、條碼或二維碼。
4. 該圖書館認可全球 125 種語言。
5. IronOCR可靈活地在所有.NET環境（控制台、Web、桌面等）中運行，並且還支援最新的行動框架，如 Mono、Xamarin、 Azure和MAUI 。
6. IronOCR提供免費試用版，且開發版的價格更低。 了解更多許可資訊。

有關IronOCR 的詳細教程，請參閱本文，以了解如何在 C# 中從圖像中讀取文字。