Tesseract 詳細配置

VB C#

using IronOcr;
using System;

var ocrTesseract = new IronTesseract()
{
    Language = OcrLanguage.EnglishBest,
    Configuration = new TesseractConfiguration()
    {
        ReadBarCodes = false,
        RenderHocr = true,
        BlackListCharacters = "`ë|^",
        PageSegmentationMode = TesseractPageSegmentationMode.AutoOsd,
    }
};

using var ocrInput = new OcrInput();
ocrInput.LoadImage(@"images\image.png");
var ocrResult = ocrTesseract.Read(ocrInput);
Console.WriteLine(ocrResult.Text);

Imports IronOcr
Imports System

Private ocrTesseract = New IronTesseract() With {
	.Language = OcrLanguage.EnglishBest,
	.Configuration = New TesseractConfiguration() With {
		.ReadBarCodes = False,
		.RenderHocr = True,
		.BlackListCharacters = "`ë|^",
		.PageSegmentationMode = TesseractPageSegmentationMode.AutoOsd
	}
}

Private ocrInput = New OcrInput()
ocrInput.LoadImage("images\image.png")
Dim ocrResult = ocrTesseract.Read(ocrInput)
Console.WriteLine(ocrResult.Text)

Install-Package IronOcr

Tesseract 詳細配置

在進行光學字符識別（OCR）時，擁有選項和靈活性對於如何處理和從文檔中提取文本至關重要。由於執行 OCR 的成本較高，因此需要能夠控制對特定文件使用的性能和方法，以確保使用 OCR 的應用程序具有可擴展性和高效性。

IronTesseract 提供開發者多種屬性和選項以供調整。例如，如果您想要將某些字符加入黑名單，或者想要讀取文檔中的條碼，甚至想要指導OCR引擎如何閱讀頁面以掃描潛在的文本塊，這一切都可以使用IronTesseract類來實現。

使用 IronOCR 與 Tesseract 5 的五步指南

var ocrTesseract = new IronTesseract();
ocrTesseract.Language = OcrLanguage.EnglishBest;
ocrTesseract.Configuration.ReadBarCodes = false;
ocrTesseract.Configuration.BlackListCharacters = "`ë^";
ocrTesseract.Configuration.TesseractVariables["tessedit_parallelize"] = false;

在啟動IronTesseract類別後，有幾個重要的選項可立即使用，我們可能需要進行修改。第一個要配置的屬性是 Language。默認情況下，語言是英語；然而，IronTesseract 支援多達 125 種語言，甚至可以使用 UseMultipleLanguages 方法來支持多種語言。如需更多詳細資訊，請參閱此處。

第二個我們要配置的屬性是TesseractConfiguration類。透過這個類別，我們可以修改 Tesseract 引擎如何掃描文件以尋找潛在的文字區塊。首先，我們透過將語言指定為OcrLanguage.EnglishBest來修改 Tesseract 引擎的語言。此變體結合了 LTSM 和 OEM，這是使用 OCR 的形狀識別策略；結合這兩種策略可以使OCR產生更準確的結果。之後，我們將ReadBarCodes設為 false，以避免在 OCR 過程中讀取條碼。

我們也進一步自訂規則，透過將文件中的某些字符加入黑名單來指定我們想要提取的字符；在此示例中，我們將字符列入黑名單，以避免提取帶有反引號、重音或插入符號的文本。最後，我們將 TessreactVariables["tessedit_parallelize"] 設置為 false，以暫時禁用並行處理。最後這個功能非常強大，因為它直接與 Tesseract 引擎對話。這裡有一份完整的 TesseractVariables 列表，允許開發人員在執行 OCR 時進一步自定義 Tesseract 引擎的行為。點擊此處查看操作指南，包括範例、示例代碼和文件。