Tesseract vs Microsoft OCR：对比

Tesseract OCR 的主要特点

-开源：Tesseract 根据 Apache License 2.0 的条款，可供任何人免费使用、修改和分发。由于社区的贡献，其开源设计极大地促进了其广泛应用和持续改进。 -语言支持：Tesseract 除了支持多种语言外，还能识别 100 多种不同的文字和字符集。 由于其多语言功能，它适用于各种语言和地理区域的各种 OCR 应用。 -准确性：Tesseract 以其出色的文本识别准确性而闻名，尤其是在正确设置并使用相关数据进行训练的情况下。 即使照片存在各种问题，例如角度扭曲、质量低劣和光线不足，它也能可靠地从照片中提取文本。 -选项：Tesseract 提供了大量的配置和自定义选项。 针对特定使用场景，用户可以调整多个参数以最大限度地提高 OCR 性能。 此外，Tesseract 可以与各种平台和计算机语言（如 Java、C++、Python 和 C#）结合使用，使开发人员能够在广泛的应用程序中利用其功能。 Tesseract 会不断进行开发和维护，定期添加新功能以提高其准确性、性能和语言支持。 Tesseract 的开源社区支持其持续发展，保证它始终是一款最先进的 OCR 工具。

安装 Tesseract OCR for .NET.

第一步是在您的计算机上安装 Tesseract OCR。您可以从 Tesseract 官方 GitHub 代码库获取 Tesseract 安装程序：https://github.com/tesseract-ocr/tesseract 。

要在您的计算机上安装 Tesseract OCR，请按照特定于您的操作系统（Windows、macOS 或 Linux）的安装说明进行操作。 安装 Tesseract OCR 后，使用 Visual Studio 的 NuGet 包管理器将 Tesseract.NET 包装器添加到您的 C# 项目中。

在 Visual Studio 中打开 C# 项目后，导航至"工具"->"NuGet 包管理器"->"管理解决方案的 NuGet 包"。 您可以通过在 NuGet 程序包管理器中搜索"Tesseract"来找到名为"Tesseract"或"Tesseract.NET"的程序包。 要将该软件包添加到您的项目中，请选择它并单击"安装"。

Tesseract 与 Microsoft OCR（OCR 功能对比）：图 1 - Tesseract

使用C#进行Tesseract OCR

请按照以下步骤在 C# 项目中使用 Tesseract：

using Tesseract;

class Program
{
    static void Main(string[] args)
    {
        // Initialize the Tesseract engine with the path to your Tesseract installation and the desired language(s)
        using (var engine = new TesseractEngine(@"path_to_tesseract_folder", "eng", EngineMode.Default))
        {
            // Load the image from which to extract text
            using (var img = Pix.LoadFromFile("image.png"))
            {
                // Process the image and extract the text
                using (var page = engine.Process(img))
                {
                    // Get the extracted text
                    var text = page.GetText();
                    Console.WriteLine(text); // Print the extracted text
                }
            }
        }
    }
}

using Tesseract;

class Program
{
    static void Main(string[] args)
    {
        // Initialize the Tesseract engine with the path to your Tesseract installation and the desired language(s)
        using (var engine = new TesseractEngine(@"path_to_tesseract_folder", "eng", EngineMode.Default))
        {
            // Load the image from which to extract text
            using (var img = Pix.LoadFromFile("image.png"))
            {
                // Process the image and extract the text
                using (var page = engine.Process(img))
                {
                    // Get the extracted text
                    var text = page.GetText();
                    Console.WriteLine(text); // Print the extracted text
                }
            }
        }
    }
}

Imports Tesseract

Friend Class Program
	Shared Sub Main(ByVal args() As String)
		' Initialize the Tesseract engine with the path to your Tesseract installation and the desired language(s)
		Using engine = New TesseractEngine("path_to_tesseract_folder", "eng", EngineMode.Default)
			' Load the image from which to extract text
			Using img = Pix.LoadFromFile("image.png")
				' Process the image and extract the text
				Using page = engine.Process(img)
					' Get the extracted text
					Dim text = page.GetText()
					Console.WriteLine(text) ' Print the extracted text
				End Using
			End Using
		End Using
	End Sub
End Class

为此，请提供 Tesseract 安装目录的位置以及您希望在 TesseractEngine 构造函数选项中使用的语言。 将"eng"替换为您希望使用的语言的语言代码（例如， "eng"代表英语），并将"path_to_tesseract_folder"替换为 Tesseract 安装目录的实际路径。

在 C# 项目中设置好 Tesseract 后，您现在可以利用其 OCR 功能从图片中提取文本。 TesseractEngine 实例可用于处理已加载的图片，使用 Pix 类提取文本或对图像文件运行 OCR，将"image.png"替换为图像文件的路径。

主要功能

-与 Azure 认知服务集成：Microsoft OCR 功能与 Azure 认知服务协同工作，Azure 认知服务是一系列由 AI 驱动的 Microsoft Azure API 和服务。 通过这种连接，开发人员可以使用 REST API、SDK 和客户端库轻松地将 Microsoft OCR 功能集成到应用程序和工作流程中。 -高精度和高性能：由于其复杂的机器学习模型已在庞大的数据集上进行训练，微软 OCR 可提供高精度和高性能的文本识别。 由于它能够从具有复杂布局和各种字体的照片中精确提取文本，因此适用于广泛的 OCR 应用。 -可扩展性和可靠性：Microsoft OCR 是 Azure 认知服务的一个组件，它具有可扩展性和可靠性，因此适用于具有不同处理要求的应用程序。 它可以有效管理大量文档和同时处理多个请求，保证正常运行时间和稳定的性能。 -多语言支持：Microsoft OCR 与其他 OCR 程序一样，支持多语言识别，使用户能够从照片中提取各种语言和字符集的文本。 由于支持多种语言，因此适用于满足全球各种语言需求的应用。

要在 C# 项目中使用 Microsoft OCR，必须将其与 Azure 认知服务（更具体地说是计算机视觉 API）结合使用。 以下是开始的方法：

创建 Azure 帐户

如果您还没有 Azure 帐户，则必须创建一个。 您可以创建一个免费的 Azure 帐户，并在试用期内访问多项服务。

配置 Azure 认知服务

如果您拥有 Azure 帐户，则必须配置 Azure 认知服务中的计算机视觉服务。

• 打开Azure 门户。
• 点击"创建资源"查找"计算机视觉"。
• 选择计算机视觉服务后，单击"创建"。
• 要配置服务，请按照提示选择订阅和价格等级。
• 服务构建完成后，转到资源并保存订阅密钥和端点 URL； 你需要它们来验证你的查询的真实性。

安装 Azure 认知服务 SDK

利用微软 Azure 是可行的。 要在 C# 项目中与计算机视觉 API 通信，请使用 CognitiveServices.Vision.ComputerVision NuGet 包。

在 Visual Studio 中打开 C# 项目后，依次选择"工具"->"NuGet 包管理器"->"管理解决方案的 NuGet 包"。

通过搜索"Microsoft.Azure.CognitiveServices.Vision.ComputerVision"来安装该软件包。

Tesseract 与 Microsoft OCR（OCR 功能对比）：图 2 - Microsoft.Azure.CognitiveServices.Vision.ComputerVision

IronOCR 的主要功能

-简单集成：您可以通过使用 NuGet 包或直接在项目中访问库，轻松地将 IronOCR 集成到您的 C# 或 VB.NET 项目中。 -多功能OCR ：IronOCR可以识别来自各种来源的文本，例如屏幕截图、扫描文档、PDF文件和照片。它能够处理多种图像类型，包括BMP、TIFF、PNG和JPEG。 -精准的文本识别：IronOCR 利用先进的 OCR 算法实现了出色的文本识别准确率。 使用该方法可以可靠地提取不同分辨率、字体和背景的照片中的文字。 -支持多种语言：IronOCR 适用于多语言应用程序，因为它能够识别多种语言。 它支持定制语言培训，并内置了常用语言的语言包。

• PDF 文本提取：IronOCR 可以提取扫描的 PDF 和基于图像的 PDF 中的文本。 从 PDF 文档中删除文本时，可以保持内容的原始格式和布局。 -图像预处理：在 OCR 处理之前，IronOCR 可以通过图像预处理功能提高输入图像的质量。 这包括诸如倾斜校正、对比度调整和降噪等任务。

IronOCR 使用 C

以下是一个使用 IronOCR 的基本 C# 示例：

// Create an instance of IronTesseract
var Ocr = new IronTesseract(); // nothing to configure
// Set the language and Tesseract version to be used for OCR
Ocr.Language = OcrLanguage.EnglishBest;
Ocr.Configuration.TesseractVersion = TesseractVersion.Tesseract5;

// Prepare the image input and perform OCR
using (var Input = new OcrInput())
{
    // Add the image for OCR processing
    Input.AddImage(@"Demo.png");
    // Read the text from the image
    var Result = Ocr.Read(Input);
    // Print the recognized text
    Console.WriteLine(Result.Text);
    Console.ReadKey(); // Wait for user input before closing
}

// Create an instance of IronTesseract
var Ocr = new IronTesseract(); // nothing to configure
// Set the language and Tesseract version to be used for OCR
Ocr.Language = OcrLanguage.EnglishBest;
Ocr.Configuration.TesseractVersion = TesseractVersion.Tesseract5;

// Prepare the image input and perform OCR
using (var Input = new OcrInput())
{
    // Add the image for OCR processing
    Input.AddImage(@"Demo.png");
    // Read the text from the image
    var Result = Ocr.Read(Input);
    // Print the recognized text
    Console.WriteLine(Result.Text);
    Console.ReadKey(); // Wait for user input before closing
}

' Create an instance of IronTesseract
Dim Ocr = New IronTesseract() ' nothing to configure
' Set the language and Tesseract version to be used for OCR
Ocr.Language = OcrLanguage.EnglishBest
Ocr.Configuration.TesseractVersion = TesseractVersion.Tesseract5

' Prepare the image input and perform OCR
Using Input = New OcrInput()
	' Add the image for OCR processing
	Input.AddImage("Demo.png")
	' Read the text from the image
	Dim Result = Ocr.Read(Input)
	' Print the recognized text
	Console.WriteLine(Result.Text)
	Console.ReadKey() ' Wait for user input before closing
End Using

我们可以使用上述代码从图像中提取数据，并获得最高的 OCR 准确率。 此外，IronOCR 还有助于将从文档中提取的文本转换为可编辑的文件格式，包括 Word 文档。 我们还可以将扫描文档转换为可搜索的 PDF 文件。 使用 IronOCR，结果可以存储为各种 OCR 输出格式。 要了解更多关于该代码的信息，请参考这里。

图片来源：

Tesseract 与 Microsoft OCR（OCR 功能对比）：图 3 - 输入图像

成果：

Tesseract 与 Microsoft OCR（OCR 功能对比）：图 4 - 控制台输出