如何在 C# 中执行字符识别

改进的Tesseract OCR引擎

IronOCR增强了广泛使用的Tesseract OCR引擎的能力，提高了准确性和速度。 它作为一种强大的解决方案，可以从多种来源（包括图像、PDF和多样化的文档格式）中提取文本。

广泛的语言覆盖

支持超过125种语言，IronOCR能够很好地处理多语言需求，使其成为需要语言多样性应用程序的理想选择。

多样的输出选择

提取的文本可以方便地输出为纯文本或结构化数据，以便于无缝集成到进一步的处理管道中。 此外，IronOCR还可以直接从图像输入创建可搜索的PDF。

跨平台适应性

设计兼容C#、F#和VB.NET，IronOCR无缝运行于各种.NET环境，包括版本8、7、6、Core、Standard和Framework。

利用Tesseract 5

IronOCR利用了Tesseract 5的强大功能，经过精心调整以在.NET生态系统中实现最佳性能。

基于区域的OCR功能

使用IronOCR，用户可以精确定义文档内的特定区域，从而实现针对性的OCR处理。 通过在需要时集中处理能力，此功能提高了准确性和效率。

图像预处理工具

该库提供了一套图像预处理功能，如纠偏和降噪。 这些工具确保即使处理不完美的源图像时也能得到优越的结果，从而增强整体OCR体验。

现在，我们将开发一个演示应用程序，利用IronOCR从图像中读取文本。

代码解释

1. IronTesseract实例: 我们首先创建一个IronTesseract实例来执行OCR操作。
2. 加载图像: 我们将示例图像加载到OcrInput对象中。
3. 读取文本: 图像中的文本被读取，并将结果打印到控制台。

输出

语言选择

您可以使用Language属性指定OCR的语言。 例如，要将语言设置为英语，使用：

IronTesseract ocr = new IronTesseract();
ocr.Language = OcrLanguage.English;

IronTesseract ocr = new IronTesseract();
ocr.Language = OcrLanguage.English;

Dim ocr As New IronTesseract()
ocr.Language = OcrLanguage.English

页面分割模式

PageSegmentationMode决定Tesseract如何分割输入图像。 选项包括AutoOsd、SingleBlock、SingleLine等。 例如：

ocr.Configuration.PageSegmentationMode = TesseractPageSegmentationMode.AutoOsd;

ocr.Configuration.PageSegmentationMode = TesseractPageSegmentationMode.AutoOsd;

ocr.Configuration.PageSegmentationMode = TesseractPageSegmentationMode.AutoOsd

自定义Tesseract变量

您可以通过设置特定变量来微调Tesseract。 例如，为了禁用并行化：

ocr.Configuration.TesseractVariables["tessedit_parallelize"] = false;

ocr.Configuration.TesseractVariables["tessedit_parallelize"] = false;

ocr.Configuration.TesseractVariables("tessedit_parallelize") = False

白名单和黑名单字符

使用WhiteListCharacters和BlackListCharacters来控制Tesseract识别哪些字符。 例如：

ocr.Configuration.WhiteListCharacters = "ABCDEFGHIJKLMNOPQRSTUVWXYZ";
ocr.Configuration.BlackListCharacters = "`ë|^";

ocr.Configuration.WhiteListCharacters = "ABCDEFGHIJKLMNOPQRSTUVWXYZ";
ocr.Configuration.BlackListCharacters = "`ë|^";

ocr.Configuration.WhiteListCharacters = "ABCDEFGHIJKLMNOPQRSTUVWXYZ"
ocr.Configuration.BlackListCharacters = "`ë|^"

附加配置变量

探索其他Tesseract配置变量以根据您的需要自定义行为。 例如：

ocr.Configuration.TesseractVariables["classify_num_cp_levels"] = 3;
ocr.Configuration.TesseractVariables["textord_debug_tabfind"] = 0;
// ... (more variables)

ocr.Configuration.TesseractVariables["classify_num_cp_levels"] = 3;
ocr.Configuration.TesseractVariables["textord_debug_tabfind"] = 0;
// ... (more variables)

ocr.Configuration.TesseractVariables("classify_num_cp_levels") = 3
ocr.Configuration.TesseractVariables("textord_debug_tabfind") = 0
' ... (more variables)

现在让我们尝试使用高级设置解码相同的图像

using IronOcr;

public class Program
{
    public static void Main()
    {
        Console.WriteLine("Decoding using advanced features");
        var ocrTesseract = new IronTesseract() // Create instance
        {
            Language = OcrLanguage.EnglishBest, // Configure best English language
            Configuration = new TesseractConfiguration()
            {
                ReadBarCodes = false, // Disable reading barcodes
                BlackListCharacters = "`ë|^", // Blacklisted characters
                WhiteListCharacters = null, // No whitelist, allow all
                PageSegmentationMode = TesseractPageSegmentationMode.AutoOsd,
                TesseractVariables = null, // No custom variables used
            },
            MultiThreaded = false,
        };

        using var ocrInput = new OcrInput(); // Create a disposible ocr input object
        ocrInput.AddImage(@"sample1.png"); // Load the sample image
        var ocrResult = ocrTesseract.Read(ocrInput); // Read the text from the image
        Console.WriteLine(ocrResult.Text); // Output the text
    }
}

using IronOcr;

public class Program
{
    public static void Main()
    {
        Console.WriteLine("Decoding using advanced features");
        var ocrTesseract = new IronTesseract() // Create instance
        {
            Language = OcrLanguage.EnglishBest, // Configure best English language
            Configuration = new TesseractConfiguration()
            {
                ReadBarCodes = false, // Disable reading barcodes
                BlackListCharacters = "`ë|^", // Blacklisted characters
                WhiteListCharacters = null, // No whitelist, allow all
                PageSegmentationMode = TesseractPageSegmentationMode.AutoOsd,
                TesseractVariables = null, // No custom variables used
            },
            MultiThreaded = false,
        };

        using var ocrInput = new OcrInput(); // Create a disposible ocr input object
        ocrInput.AddImage(@"sample1.png"); // Load the sample image
        var ocrResult = ocrTesseract.Read(ocrInput); // Read the text from the image
        Console.WriteLine(ocrResult.Text); // Output the text
    }
}

Imports IronOcr

Public Class Program
	Public Shared Sub Main()
		Console.WriteLine("Decoding using advanced features")
		Dim ocrTesseract = New IronTesseract() With {
			.Language = OcrLanguage.EnglishBest,
			.Configuration = New TesseractConfiguration() With {
				.ReadBarCodes = False,
				.BlackListCharacters = "`ë|^",
				.WhiteListCharacters = Nothing,
				.PageSegmentationMode = TesseractPageSegmentationMode.AutoOsd,
				.TesseractVariables = Nothing
			},
			.MultiThreaded = False
		}

		Dim ocrInput As New OcrInput() ' Create a disposible ocr input object
		ocrInput.AddImage("sample1.png") ' Load the sample image
		Dim ocrResult = ocrTesseract.Read(ocrInput) ' Read the text from the image
		Console.WriteLine(ocrResult.Text) ' Output the text
	End Sub
End Class

代码解释

1. IronOCR配置: 创建IronTesseract实例（IronOCR的主要类）并将其分配给变量ocrTesseract。

   配置设置应用于 ocrTesseract：

   • 语言: 指定OCR的语言（在本例中为英语）。
   • 配置: TesseractConfiguration对象允许进一步定制：
     • ReadBarCodes: 禁用条形码读取。
   • BlackListCharacters: 指定不识别的字符（黑名单）。
   • WhiteListCharacters: 没有指定白名单，允许所有字符。
   • PageSegmentationMode: 将页面分割模式设置为"AutoOsd"。
   • TesseractVariables: 未使用自定义变量。
   • MultiThreaded: 禁用多线程。
2. OCR输入和图像加载: 使用一个using块创建一个可释放的ocrInput对象，类型为OcrInput。 图像文件 "sample1.png" 被添加到 ocrInput。
3. 文本提取: 调用ocrTesseract的Read方法，传入ocrInput。 结果存储在 ocrResult 变量中。
4. 输出: 使用Console.WriteLine(ocrResult.Text)将提取的文本打印到控制台。

输出

步骤5: IronOCR读取操作的性能调优。

在使用 IronOCR 时，您可以访问各种图像过滤器，这些过滤器可以帮助在执行 OCR 之前对图像进行预处理。 这些滤镜可优化图像质量，增强可见性，并减少噪点或伪影。 它们有助于提高OCR操作的性能。

1. 旋转:

   旋转滤镜允许您将图像顺时针旋转指定的度数。对于逆时针旋转，使用负数。

2. 去除倾斜:

   去除倾斜滤镜可纠正图像的倾斜，确保文本是正立且正交的。 这对于OCR特别有用，因为Tesseract在处理正确定位的扫描时表现最佳。

3. Scale:

   缩放滤镜按比例缩放OCR输入页面。

4. 二值化:

   二值化滤镜将每个像素转换为黑色或白色，没有中间色。 在文本与背景之间对比非常低的情况下，它可以提高OCR性能。

5. 灰度化:

   灰度化滤镜将每个像素转换为灰度。 虽然不太可能显著提高OCR准确性，但可能会加快速度。

6. 反转:

   反转滤镜会反转颜色——白色变为黑色，黑色变为白色。

7. 替换颜色:

   替换颜色滤镜会在考虑某个阈值的情况下，将图像中的特定颜色替换为另一种颜色。

8. 对比度:

   对比度滤镜自动增加对比度。通常在低对比度扫描中，提高了OCR速度和准确性。

9. 膨胀和腐蚀:

   这些高级形态学滤镜用于操纵图像中对象的边界。

   • 膨胀在对象边界上添加像素。
   • 腐蚀从对象边界中移除像素。

10. 锐化:

    锐化滤镜锐化模糊的OCR文档并将阿尔法通道平坦化为白色。

11. 去噪:

    去噪滤镜去除数字噪声。在噪声预期的地方使用它。

12. 深度清除背景噪声:

    当已知存在极端的文档背景噪声时，应该仅使用这个重度背景噪声去除滤镜。 它可能会降低干净文档的OCR准确性，并且对CPU要求高。

13. 增强分辨率:

    增强分辨率滤镜增强低质量图像的分辨率。 由于自动分辨率处理，通常不需要。

这是在C#中使用IronOCR应用滤镜的示例：

var ocr = new IronTesseract();
var input = new OcrInput();
input.LoadImage("sample.png");
input.Deskew();
var result = ocr.Read(input);
Console.WriteLine(result.Text);

var ocr = new IronTesseract();
var input = new OcrInput();
input.LoadImage("sample.png");
input.Deskew();
var result = ocr.Read(input);
Console.WriteLine(result.Text);

Dim ocr = New IronTesseract()
Dim input = New OcrInput()
input.LoadImage("sample.png")
input.Deskew()
Dim result = ocr.Read(input)
Console.WriteLine(result.Text)

常见的OCR应用

1. 文档数字化: OCR广泛用于将扫描的纸质文档（如发票、收据、表格和合同）转换为数字格式。 这个数字化过程简化了文档存储、检索和管理，减少纸张混乱并提高效率。
2. 数据提取: OCR允许从扫描文档、图像和PDF中提取文本和数据。 提取的数据可用于自动化数据输入、内容分析、索引以及集成到数据库或业务系统中。
3. 图像中的文本识别: OCR技术允许从打印的文档和图像中提取文本，以进行索引和搜索目的。 这种能力被用于各种应用，包括增强现实、基于图像的搜索引擎和翻译服务。
4. 自动车牌识别（ALPR）: ALPR系统利用OCR从交通监控、停车管理、收费收集和执法应用中摄像头捕获的图像或视频流中读取车牌号码。
5. 无障碍解决方案: OCR在为视障人士创建无障碍内容中起到了关键作用。 通过将图像或文档中的文本转换为语音或盲文，OCR有助于使信息可供残障人士访问。
6. 身份验证: OCR技术被用在身份验证过程中，例如扫描和处理身份证件如护照、驾照和身份证。 它有助于验证文件的真实性，并提取相关信息以用于身份验证目的。
7. 银行和金融: OCR用于银行和金融中，如读取支票、处理发票、转换现有PDF文档、从财务报表提取数据，以及自动化基于文档的工作流程以提高财务操作的准确性和效率。
8. 自动翻译: OCR技术集成到翻译工具和语言学习应用中，以将印刷文本从一种语言转换为另一种语言。 用户可以用他们的设备捕获文本，OCR在实时翻译成所需语言时提供帮助。
9. 档案和历史文件保存: OCR用于数字化档案材料和历史文件，将它们以数字格式保存以供将来访问、研究和分析，同时确保珍贵文化遗产的保存。