Tesseract OCR 多語言開發者教學

如何使用Tesseract OCR進行多語言處理

1. 首先，在您的.NET專案中安裝IronOCR/Tesseract的NuGet封裝。
2. 創建一個IronTesseract類的實例，這將初始化OCR引擎。
3. 語言屬性支持多於一種語言。
4. 指定您想要處理的影像檔案路徑，然後創建一個OcrInput對象。
5. 現在，使用IronTesseract實例的Read函數對輸入影像進行OCR處理。
6. 獲取結果並顯示識別出的文本。

什麼是Tesseract？

Tesseract是一款由惠普開發，後來由谷歌維護的開放光學字元識別引擎。 它因高精確度和適應性而聞名，使其成為最突出的OCR之一。 Tesseract支持文字檢測，可以識別多種語言的文本，並能夠處理多語言； 因此，它通常用於需要多語言文檔和支持的項目。

Tesseract OCR引擎在圖像的任意單一像素中工作，根據描繪字符、單詞和句子的模式，最終轉換為機器可讀的文本。 它支持的多種影像檔案類型，如TIFF、JPEG和PNG，使得Tesseract能夠以純文本、HTML和可搜索的PDF等格式生成文本。

Tesseract的一個重大優勢是它可以被訓練以識別特定字體或新增的語言。 它還經常在各種應用程序中使用，從簡單的文本提取到數字化歷史文件、處理發票，甚至是能夠讓視障人士閱讀的輔助軟件中的複雜任務。

在 Visual Studio 中創建新專案

打開Visual Studio程式。 打開程序時，進入"文件菜單"。在"文件菜單"下，有"新建專案"選項。在"新建專案"下，點擊"控制台應用程序"。在這篇文章中，我們將使用控制台程序創建PDF文件。

在提供的文本框中輸入您的專案名稱和文件的位置。 然後，如下圖所示，點擊創建按鈕並選擇您需要的.NET Framework版本。

現在選擇了應用程式版本後，Visual Studio專案將創建其結構。 如果您選擇了控制台、Windows或網頁版本，它將打開program.cs文件，以便添加代碼和構建/運行應用程序。

using System;
using System.Drawing;
using Tesseract;

class Program
{
    static void Main()
    {
        // Set the path to the Tesseract data files (traineddata files)
        string tessDataPath = @"./tessdata"; // Ensure this directory contains the language data files

        // Load the image
        string imagePath = @"path_to_your_image.png";
        using (var img = Pix.LoadFromFile(imagePath))
        {
            // Add languages to the Tesseract engine
            using (var engine = new TesseractEngine(tessDataPath, "eng+spa+fra", EngineMode.Default))
            {
                using (var page = engine.Process(img))
                {
                    // Extract the text
                    string text = page.GetText();
                    Console.WriteLine("Recognized Text:");
                    Console.WriteLine(text);
                }
            }
        }
    }
}

using System;
using System.Drawing;
using Tesseract;

class Program
{
    static void Main()
    {
        // Set the path to the Tesseract data files (traineddata files)
        string tessDataPath = @"./tessdata"; // Ensure this directory contains the language data files

        // Load the image
        string imagePath = @"path_to_your_image.png";
        using (var img = Pix.LoadFromFile(imagePath))
        {
            // Add languages to the Tesseract engine
            using (var engine = new TesseractEngine(tessDataPath, "eng+spa+fra", EngineMode.Default))
            {
                using (var page = engine.Process(img))
                {
                    // Extract the text
                    string text = page.GetText();
                    Console.WriteLine("Recognized Text:");
                    Console.WriteLine(text);
                }
            }
        }
    }
}

Imports System
Imports System.Drawing
Imports Tesseract

Friend Class Program
	Shared Sub Main()
		' Set the path to the Tesseract data files (traineddata files)
		Dim tessDataPath As String = "./tessdata" ' Ensure this directory contains the language data files

		' Load the image
		Dim imagePath As String = "path_to_your_image.png"
		Using img = Pix.LoadFromFile(imagePath)
			' Add languages to the Tesseract engine
			Using engine = New TesseractEngine(tessDataPath, "eng+spa+fra", EngineMode.Default)
				Using page = engine.Process(img)
					' Extract the text
					Dim text As String = page.GetText()
					Console.WriteLine("Recognized Text:")
					Console.WriteLine(text)
				End Using
			End Using
		End Using
	End Sub
End Class

什麼是 IronOCR？

IronOCR是一種專注於.NET的專有OCR庫。 它為.NET應用程式增加了OCR能力，並允許從影像、掃描文件、PDF以及所有其他可視化媒體中提取文本。 得益於非常成功的Tesseract引擎驅動最先進的文字識別，IronOCR還包括一些額外功能，使其適合用於企業應用程式。

IronOCR提供了巨大的語言支持－超過120種語言，並支持自動語言檢測和同時處理含多種語言的文件。 這使得IronOCR非常多功能，並能夠在需要多語言文件處理非常重要的全球範圍內部署。

另一方面，IronOCR強調使用和集成的簡單性。 其極易使用的API有詳細的文件和一套示例專案輔助，將幫助任何開發人輕鬆快速地上手。 它支持的影像格式和PDF文件種類多樣。 內建的高級影像預處理、降噪和錯誤校正功能提高了OCR的精確性和性能。

安裝IronOCR

您可以使用Visual Studio的NuGet包管理工具直接將封裝安裝到您的解決方案中。 下圖顯示如何開啟NuGet包管理器。

它內嵌搜索框，並顯示來自NuGet網站的封裝列表。如下圖所示，我們將在包管理器中搜索句子IronOCR：

搜索結果可能提供一個潛在解決方案的列表。 您需要選擇必要的解決方案包進行安裝。

還要逐一安裝所需的Tesseract語言包，例如下面的例子。

在這個例子中，我們將使用西班牙語、法語和英語語言代碼。 英語是默認語言包，不需要安裝。

從NuGet封裝中安裝西班牙語。

使用IronOCR和Tesseract引擎讀取多語言

以下示例演示了如何在影像中使用C#和IronOCR及Tesseract引擎識別多種語言的文本。

using IronOcr;

class Program
{
    static void Main(string[] args)
    {
        // Initialize IronTesseract engine
        var Ocr = new IronTesseract();

        // Add multiple languages
        Ocr.Language = OcrLanguage.English + OcrLanguage.Spanish + OcrLanguage.French;

        // Path to the image
        var inputFile = @"path\to\your\image.png";

        // Read the image and perform OCR
        using (var input = new OcrInput(inputFile))
        {
            // Perform OCR
            var result = Ocr.Read(input);

            // Display the result
            Console.WriteLine("Recognized Text:");
            Console.WriteLine(result.Text);
        }
    }
}

using IronOcr;

class Program
{
    static void Main(string[] args)
    {
        // Initialize IronTesseract engine
        var Ocr = new IronTesseract();

        // Add multiple languages
        Ocr.Language = OcrLanguage.English + OcrLanguage.Spanish + OcrLanguage.French;

        // Path to the image
        var inputFile = @"path\to\your\image.png";

        // Read the image and perform OCR
        using (var input = new OcrInput(inputFile))
        {
            // Perform OCR
            var result = Ocr.Read(input);

            // Display the result
            Console.WriteLine("Recognized Text:");
            Console.WriteLine(result.Text);
        }
    }
}

Imports IronOcr

Friend Class Program
	Shared Sub Main(ByVal args() As String)
		' Initialize IronTesseract engine
		Dim Ocr = New IronTesseract()

		' Add multiple languages
		Ocr.Language = OcrLanguage.English + OcrLanguage.Spanish + OcrLanguage.French

		' Path to the image
		Dim inputFile = "path\to\your\image.png"

		' Read the image and perform OCR
		Using input = New OcrInput(inputFile)
			' Perform OCR
			Dim result = Ocr.Read(input)

			' Display the result
			Console.WriteLine("Recognized Text:")
			Console.WriteLine(result.Text)
		End Using
	End Sub
End Class

上述C#程序使用IronOCR庫對含有英文、西班牙文和法文字元的圖像進行光學字符識別。 程序首先匯入IronOCR所需的命名空間並宣告一個名為Program的類，類中包含應用程序的進入點Main方法。

在Main方法中，創建IronTesseract類的實例並賦值給變量Ocr。 Language屬性設置為包含英語、西班牙語和法語，結合OcrLanguage.English、OcrLanguage.Spanish和OcrLanguage.French。 這確保了OCR引擎能夠識別和處理任何這三種語言的文本。

使用變量inputFile設置輸入影像文件的路徑。 然後在using陳述句中使用OcrInput類的實例載入影像，以便正確的資源管理和釋放。 最後，調用IronTesseract實例的Read方法，通過輸入對象對影像執行OCR。

使用Console.WriteLine方法將識別的文本打印到控制台。 此程序展示了使用IronOCR的多語言功能從含有不同語言單詞的影像中提取文本的有效方法。

結論

雖然Tesseract和IronOCR都是強大的OCR技術，但每一都有獨特的能力和長處。 Tesseract作為開源項目，對於尋找免費解決方案的人來說是可靠的，並擁有活躍的社區和持續的改進。

相比之下，IronOCR則是一個.NET Framework的專有庫，提供更佳的用戶體驗，易於整合，並支持大多數影像文件類型。特別是在識別低質量影像內容方面表現出色。 IronOCR完全支持多語言且具有額外的功能提高其用戶友好性。

IronOCR提供經濟適用的開發版，一經購買即提供終身許可。 IronOCR封裝始於一次性價格$liteLicense並覆蓋多系統，提供了良好的性價比以及24/7的線上工程師支持供註冊用戶使用。 更多資訊請參考IronOCR網站。