如何使用 IronOCR 构建 Azure OCR 服务

IronOCR 为 Microsoft Azure 提供的功能

IronOCR 包含以下功能，可用于在 Microsoft Azure 上构建 OCR 服务：

将 PDF 文件转换为可搜索文档，以便轻松提取文本。

• 通过从图像中提取文本，将图像转换为可搜索的文档
• 可读取条形码和二维码
• 极高的准确性
• 可在本地运行，无需 SaaS（软件即服务），SaaS 是一种软件分发模式，其中云提供商（例如 Microsoft Azure）托管各种应用程序，并将这些应用程序提供给最终用户。
• 闪电般的速度

让我们来看看最好的 OCR 引擎——Iron Software 的 IronOCR——是如何让开发人员更容易地从任何输入文档中提取文本的。

让我们开始使用 Azure OCR 服务吧。

要开始使用该示例，我们需要先安装 IronOCR。

1. 使用 C# 创建一个新的控制台应用程序。
2. 通过 NuGet 安装 IronOCR，输入：Install-Package IronOcr或搜索 IronOCR。 如下所示。

3. 编辑Program.cs文件，使其内容如下所示：

   • 我们导入 IronOcr 命名空间，利用其 OCR 功能读取和提取 PDF 文件的内容。
   • 我们创建一个新的 IronTesseract 对象，以便从图像中提取文本。

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. 接下来，我们打开名为 Purgatory.PNG 的图像。 这幅图出自但丁的《神曲》——我最喜欢的书之一。 这张图片看起来像下一张图片。

图 2 - 使用 IronOCR 的光学字符识别功能提取的文本

5. 从上述输入图像文本中提取出上述文本后的输出。

提取的文本

图 3 - 提取的文本

6. 让我们对 PDF 文档执行同样的操作。 PDF 文档包含与图 2 相同的待提取文本。

唯一的区别是我们将使用PDF文档而不是图像。 请输入以下验证码：

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

这段代码与之前从图像中提取文本的代码几乎相同。

这里我们使用OcrInput方法来读取当前的 PDF 文档，在本例中为：Purgatorio.pdf。 如果 PDF 文件中包含元数据，例如标题或密码，我们也可以将其输入。

结果会保存为可搜索的 PDF 文档，我们可以在其中搜索文本。

注意：如果 PDF 文件过大，可能会抛出异常。

7. Windows 应用程序就介绍到这里吧； 让我们来看看如何将 OCR 与 Microsoft Azure 结合使用。

IronOCR 的优点在于它可以作为微服务架构中的 Azure 函数与 Microsoft Azure 完美配合。 以下是一个与 IronOCR 配合使用的 Microsoft Azure 函数的简要示例。此 Microsoft Azure 函数用于从图像中提取文本。

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

这会将函数接收到的图像直接提供给 OCR 引擎，以输出提取的文本。

以下是微软对 Microsoft Azure 的简要概述：

Microsoft Azure 微服务是一种构建应用程序的架构方法，其中每个核心功能或服务都是独立构建和部署的。 微服务架构是分布式且松耦合的，因此一个组件的故障不会导致整个应用程序崩溃。独立的组件协同工作，并通过定义完善的 API 契约进行通信。 构建微服务应用程序，以满足快速变化的业务需求，并更快地将新功能推向市场。

IronOCR 与 .NET 或 Microsoft Azure 结合使用时还具有以下一些特性：

• 能够对几乎任何文件、图像或 PDF 执行 OCR 操作。
• 处理 OCR 输入的速度极快
• 极高的准确性
• 读取条形码和二维码
• 本地运行，无需 SaaS 服务
• 可以将 PDF 和图像转换为可搜索的文档
• 微软认知服务提供的 Azure OCR 的绝佳替代方案

用于提高OCR性能的图像过滤器

• OcrInput.Rotate - 将图像顺时针旋转若干度。逆时针旋转请使用负数。
• OcrInput.Binarize() - 此图像滤镜将每个像素变为黑色或白色，没有中间色。 这提高了OCR识别性能。
• OcrInput.ToGrayScale() - 此图像滤镜将每个像素转换为灰度阴影。 这样可以提高OCR识别速度。
• OcrInput.Contrast() - 自动增加对比度。 该滤镜可提高低对比度扫描图像的 OCR 速度和准确性。
• OcrInput.DeNoise() - 去除数字噪声。此滤镜仅应用于预期输入文档中存在噪声的情况。
• OcrInput.Invert() - 反转所有颜色。
• OcrInput.Dilate() - 膨胀操作会向图像中任何对象的边界添加像素。
• OcrInput.Erode() - 腐蚀操作会移除对象边界上的像素。
• OcrInput.Deskew() - 将图像旋转，使其方向正确且正交。 这对于 OCR 非常有用，因为 Tesseract 对倾斜扫描的容差可以低至 5 度。
• OcrInput.DeepCleanBackgroundNoise() - 去除严重的背景噪音。
• OcrInput.EnhanceResolution - 提高低质量图像的分辨率。

速度性能

以下是一个例子：

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

定价和许可选项

基本上有三个付费许可级别，都是一次性购买，终身使用。

是的，这些资源可以免费用于开发目的。

更多信息

• 更多资源请点击以下链接： 资源
• API 参考文档请见此处： API 参考文档
• IronOCR 产品支持信息请访问：支持
• 联系 Iron Software：联系信息

IronOCR 为在 Azure 和其他系统上运行 OCR 的 .NET 应用程序提供功能

IronOCR 支持 125 种国际语言。 每种语言均提供快速、标准和最佳三种质量版本。 部分可用的语言包包括：

• 保加利亚语
• 亚美尼亚语
• 克罗地亚语
• 南非荷兰语
• 丹麦语
• 捷克语
• 菲律宾语 芬兰语
• 法语
• 德语
• 还有更多语言包可供选择，要查看它们，请点击以下链接。 IronOCR 语言包
  • 它在 .NET 中开箱即用。
  • 支持 Xamarin
  • 支持 Mono
  • 支持 Microsoft Azure
  • 支持 Microsoft Azure 上的 Docker
  • 支持 PDF 文档
  • 支持多帧 TIFF 格式
  • 支持所有主流图像格式 支持以下 .NET Framework：
• .NET Framework 4.5 及更高版本
• .NET Standard 2
• .NET Core 2
• .NET Core 3
• .NET Core 5
  • 即使没有安装 Tesseract（一个支持 Unicode 和 100 多种语言的开源 OCR 引擎），IronOCR 也能正常工作。
  • 与 Tesseract 相比，精度有所提高。
  • 速度比 Tesseract 更快。
  • 校正低质量的文档或文件扫描件。
  • 校正低质量、倾斜的文档或文件扫描件。

什么是光学字符识别（OCR）？

根据维基百科的定义：光学字符识别是将打印文本的图像（无论是扫描文档、文档照片、场景照片还是叠加在图像上的字幕文本）电子或机械地转换为机器编码文本的过程。 OCR是光学字符识别的缩写。 光学字符识别主要有四种类型：

• OCR - 光学字符识别，目标是从输入文档中识别打字文本，一次识别一个字符或字形（一组约定的符号中的基本符号，例如不同字体中的"a"）。
• OWR - 光学单词识别，目标是从输入文档中逐个识别打印文本。
• ICR - 智能字符识别，目标是印刷文本，例如印刷体（不与其他字母连接的字符）和草书文本，一次识别一个字符或字形。
• IWR - 智能单词识别，针对草书文本。