如何使用 IronOCR 建置 Azure OCR 服務

IronOCR 為 Microsoft Azure 提供的功能

IronOCR 包含以下功能，可用於在 Microsoft Azure 上建置 OCR 服務：

將 PDF 文件轉換為可搜尋文檔，以便輕鬆提取文字。

• 透過從圖像中提取文本，將圖像轉換為可搜尋的文檔
• 可讀取條碼和二維碼
• 極高的準確性
• 可在本地運行，無需 SaaS（軟體即服務），SaaS 是一種軟體分發模式，其中雲端提供者（例如 Microsoft Azure）託管各種應用程序，並將這些應用程式提供給最終用戶。
• 閃電般的速度

讓我們來看看最好的 OCR 引擎——Iron Software 的 IronOCR——是如何讓開發人員更容易從任何輸入文件中提取文字的。

讓我們開始使用 Azure OCR 服務。

要開始使用該範例，我們需要先安裝 IronOCR。

1. 使用 C# 建立一個新的控制台應用程式。
2. 透過 NuGet 安裝 IronOCR，可透過輸入： Install-Package IronOcr或選擇"管理 NuGet 套件"並搜尋 IronOCR。 如下圖所示。

3. 編輯Program.cs文件，使其內容如下：

   • 我們匯入 IronOcr 命名空間，利用其 OCR 功能讀取和提取 PDF 檔案的內容。
   • 我們建立一個新的 IronTesseract 對象，以便從圖像中提取文字。

using IronOcr;
using System;

namespace IronOCR_Ex
{
    class Program
    {
        static void Main(string[] args)
        {
            var ocr = new IronTesseract();
            using (var Input = new OcrInput("..\\Images\\Purgatory.PNG"))
            {
                var result = ocr.Read(Input); // Read PNG image File
                Console.WriteLine(result.Text); // Output extracted text to console
                Console.ReadLine();
            }
        }
    }
}

using IronOcr;
using System;

namespace IronOCR_Ex
{
    class Program
    {
        static void Main(string[] args)
        {
            var ocr = new IronTesseract();
            using (var Input = new OcrInput("..\\Images\\Purgatory.PNG"))
            {
                var result = ocr.Read(Input); // Read PNG image File
                Console.WriteLine(result.Text); // Output extracted text to console
                Console.ReadLine();
            }
        }
    }
}

Imports IronOcr
Imports System

Namespace IronOCR_Ex
	Friend Class Program
		Shared Sub Main(ByVal args() As String)
			Dim ocr = New IronTesseract()
			Using Input = New OcrInput("..\Images\Purgatory.PNG")
				Dim result = ocr.Read(Input) ' Read PNG image File
				Console.WriteLine(result.Text) ' Output extracted text to console
				Console.ReadLine()
			End Using
		End Sub
	End Class
End Namespace

4. 接下來，我們開啟名為 Purgatory.PNG 的圖片。 這張圖出自但丁的《神曲》——我最喜歡的書之一。 這張圖片看起來像下一張圖片。

圖 2 - 使用 IronOCR 的光學字元辨識功能擷取的文本

5. 從上述輸入影像文字中提取出上述文字後的輸出。

提取的文本

圖 3 - 擷取的文本

6. 讓我們對 PDF 文件執行相同的操作。 PDF 文件包含與圖 2 相同的待提取文字。

唯一的區別是我們將使用PDF文件而不是圖像。 請輸入以下驗證碼：

var OCR = new IronTesseract();
using (var input = new OcrInput())
{
    input.Title = "Divine Comedy - Purgatory"; // Give title to input document 
    // Supply optional password and name of document
    input.AddPdf("..\\Documents\\Purgatorio.pdf", "dante");
    var result = OCR.Read(input); // Read the input file

    result.SaveAsSearchablePdf("SearchablePDFDocument.pdf"); 
}

var OCR = new IronTesseract();
using (var input = new OcrInput())
{
    input.Title = "Divine Comedy - Purgatory"; // Give title to input document 
    // Supply optional password and name of document
    input.AddPdf("..\\Documents\\Purgatorio.pdf", "dante");
    var result = OCR.Read(input); // Read the input file

    result.SaveAsSearchablePdf("SearchablePDFDocument.pdf"); 
}

Dim OCR = New IronTesseract()
Using input = New OcrInput()
	input.Title = "Divine Comedy - Purgatory" ' Give title to input document
	' Supply optional password and name of document
	input.AddPdf("..\Documents\Purgatorio.pdf", "dante")
	Dim result = OCR.Read(input) ' Read the input file

	result.SaveAsSearchablePdf("SearchablePDFDocument.pdf")
End Using

這段程式碼與先前從圖像中提取文字的程式碼幾乎相同。

這裡我們使用OcrInput方法來讀取目前的 PDF 文檔，在本例中為：Purgatorio.pdf。 如果 PDF 文件中包含元數據，例如標題或密碼，我們也可以將其輸入。

結果會儲存為可搜尋的 PDF 文檔，我們可以在其中搜尋文字。

注意：如果 PDF 檔案過大，可能會拋出異常。

7. Windows 應用程式就介紹到這裡吧； 讓我們來看看如何將 OCR 與 Microsoft Azure 結合使用。

IronOCR 的優點在於它可以作為微服務架構中的 Azure 函數與 Microsoft Azure 完美配合。 以下是一個與 IronOCR 配合使用的 Microsoft Azure 函數的簡要範例。此 Microsoft Azure 函數用於從圖像中提取文字。

public static class OCRFunction
{
    public static HttpClient hcClient = new HttpClient();

    [FunctionName("IronOCRFunction_EX")]
    public static async Task<IActionResult> Run([HttpTrigger] HttpRequest hrRequest, ExecutionContext ecContext)
    {
        var URI = hrRequest.Query["image"];
        var saStream = await hcClient.GetStreamAsync(URI);

        var ocr = new IronTesseract();
        using (var inputOCR = new OcrInput(saStream))
        {
            var outputOCR = ocr.Read(inputOCR);
            return new OkObjectResult(outputOCR.Text);
        }
    }
} 

public static class OCRFunction
{
    public static HttpClient hcClient = new HttpClient();

    [FunctionName("IronOCRFunction_EX")]
    public static async Task<IActionResult> Run([HttpTrigger] HttpRequest hrRequest, ExecutionContext ecContext)
    {
        var URI = hrRequest.Query["image"];
        var saStream = await hcClient.GetStreamAsync(URI);

        var ocr = new IronTesseract();
        using (var inputOCR = new OcrInput(saStream))
        {
            var outputOCR = ocr.Read(inputOCR);
            return new OkObjectResult(outputOCR.Text);
        }
    }
} 

Public Module OCRFunction
	Public hcClient As New HttpClient()

	<FunctionName("IronOCRFunction_EX")>
	Public Async Function Run(<HttpTrigger> ByVal hrRequest As HttpRequest, ByVal ecContext As ExecutionContext) As Task(Of IActionResult)
		Dim URI = hrRequest.Query("image")
		Dim saStream = Await hcClient.GetStreamAsync(URI)

		Dim ocr = New IronTesseract()
		Using inputOCR = New OcrInput(saStream)
			Dim outputOCR = ocr.Read(inputOCR)
			Return New OkObjectResult(outputOCR.Text)
		End Using
	End Function
End Module

這會將函數接收到的圖像直接提供給 OCR 引擎，以輸出提取的文字。

以下是微軟對 Microsoft Azure 的簡要概述：

Microsoft Azure 微服務是一種建置應用程式的架構方法，其中每個核心功能或服務都是獨立建置和部署的。 微服務架構是分散式且鬆散耦合的，因此一個元件的故障不會導致整個應用程式崩潰。獨立的元件協同工作，並透過定義完善的 API 契約進行通訊。 建立微服務應用程序，以滿足快速變化的業務需求，並更快地將新功能推向市場。

IronOCR 與 .NET 或 Microsoft Azure 結合使用時也具有以下一些特性：

• 能夠對幾乎任何文件、影像或 PDF 執行 OCR 操作。
• 處理 OCR 輸入的速度極快
• 極高的準確性
• 讀取條碼與二維碼
• 本地運行，無需 SaaS 服務
• 可以將 PDF 和圖像轉換為可搜尋的文檔
• 微軟認知服務提供的 Azure OCR 的絕佳替代方案

用於提高OCR性能的影像過濾器

• OcrInput.Rotate - 將影像順時針旋轉若干度。逆時針旋轉請使用負數。
• OcrInput.Binarize() - 此影像濾鏡將每個像素變為黑色或白色，沒有中間色。 這提高了OCR識別性能。
• OcrInput.ToGrayScale() - 此影像濾鏡將每個像素轉換為灰階陰影。 這樣可以提高OCR辨識速度。
• OcrInput.Contrast() - 自動增加對比。 此濾鏡可提高低對比度掃描影像的 OCR 速度和準確性。
• OcrInput.DeNoise() - 去除數位雜訊。此濾鏡僅套用於預期輸入文件中存在雜訊的情況。
• OcrInput.Invert() - 反轉所有顏色。
• OcrInput.Dilate() - 膨脹操作會在影像中任何物件的邊界上新增像素。
• OcrInput.Erode() - 腐蝕操作會移除物件邊界上的像素。
• OcrInput.Deskew() - 將影像旋轉，使其方向正確且正交。 這對於 OCR 非常有用，因為 Tesseract 對傾斜掃描的容差可以低至 5 度。
• OcrInput.DeepCleanBackgroundNoise() - 去除嚴重的背景噪音。
• OcrInput.EnhanceResolution - 提高低品質影像的解析度。

速度性能

以下是一個例子：

var OCR = new IronTesseract();
OCR.Configuration.BlackListCharacters = "~`$#^*_}{][|\\";
OCR.Configuration.PageSegmentationMode = TesseractPageSegmentationMode.Auto;
OCR.Configuration.TesseractVersion = TesseractVersion.Tesseract5;
OCR.Configuration.EngineMode = TesseractEngineMode.LstmOnly;
OCR.Language = OcrLanguage.EnglishFast;
using (var Input = new OcrInput("..\\Images\\Purgatory.PNG"))
{
    var Result = OCR.Read(Input);
    Console.WriteLine(Result.Text);
}

var OCR = new IronTesseract();
OCR.Configuration.BlackListCharacters = "~`$#^*_}{][|\\";
OCR.Configuration.PageSegmentationMode = TesseractPageSegmentationMode.Auto;
OCR.Configuration.TesseractVersion = TesseractVersion.Tesseract5;
OCR.Configuration.EngineMode = TesseractEngineMode.LstmOnly;
OCR.Language = OcrLanguage.EnglishFast;
using (var Input = new OcrInput("..\\Images\\Purgatory.PNG"))
{
    var Result = OCR.Read(Input);
    Console.WriteLine(Result.Text);
}

Dim OCR = New IronTesseract()
OCR.Configuration.BlackListCharacters = "~`$#^*_}{][|\"
OCR.Configuration.PageSegmentationMode = TesseractPageSegmentationMode.Auto
OCR.Configuration.TesseractVersion = TesseractVersion.Tesseract5
OCR.Configuration.EngineMode = TesseractEngineMode.LstmOnly
OCR.Language = OcrLanguage.EnglishFast
Using Input = New OcrInput("..\Images\Purgatory.PNG")
	Dim Result = OCR.Read(Input)
	Console.WriteLine(Result.Text)
End Using

定價和授權選項

基本上有三個付費許可證級別，都是一次性購買，終身使用。

是的，這些資源可以免費用於開發目的。

更多資訊

• 更多資源請點選以下連結： 資源
• API 參考文件請見此處： API 參考文檔
• IronOCR 產品支援資訊請造訪：支援
• 聯絡 Iron Software：聯絡資訊

IronOCR 為在 Azure 和其他系統上執行 OCR 的 .NET 應用程式提供功能

IronOCR 支援 125 種國際語言。 每種語言均提供快速、標準和最佳三種品質版本。 部分可用的語言包包括：

• 保加利亞語
• 亞美尼亞語
• 克羅埃西亞語
• 南非荷蘭語
• 丹麥語
• 捷克語
• 菲律賓人 芬蘭語
• 法語
• 德語
• 還有更多語言包可供選擇，要查看它們，請點擊以下連結。 IronOCR 語言包
  • 它在 .NET 中開箱即用。
  • 支援 Xamarin
  • 支持 Mono
  • 支援 Microsoft Azure
  • 支援 Microsoft Azure 上的 Docker
  • 支援 PDF 文件
  • 支援多幀 TIFF 格式
  • 支援所有主流圖像格式 支援以下 .NET Framework：
• .NET Framework 4.5 及更高版本
• .NET Standard 2
• .NET Core 2
• .NET Core 3
• .NET Core 5
  • 即使沒有安裝 Tesseract（一個支援 Unicode 和 100 多種語言的開源 OCR 引擎），IronOCR 也能正常運作。
  • 與 Tesseract 相比，精度有所提升。
  • 速度比 Tesseract 更快。
  • 修正低品質的文件或文件掃描件。
  • 校正低品質、傾斜的文件或文件掃描件。

什麼是光學字元辨識（OCR）？

根據維基百科的定義：光學字元辨識是將列印文字的影像（無論是掃描文件、文件照片、場景照片或疊加在影像上的字幕文字）電子或機械地轉換為機器編碼文字的過程。 OCR是光學字元辨識的縮寫。 光學字元辨識主要有四種類型：

• OCR - 光學字元識別，目標是從輸入文件中識別打字文本，一次識別一個字元或字形（一組約定的符號中的基本符號，例如不同字體中的"a"）。
• OWR - 光學單字識別，目標是從輸入文件中逐一識別列印文字。
• ICR - 智慧字元識別，目標是印刷文本，例如印刷體（不與其他字母連接的字元）和草書文本，一次識別一個字元或字形。
• IWR - 智慧單字識別，針對草書文字。