1. IronOCR
2. 操作指南
3. C# PDF OCR

如何使用IronOCR构建Azure OCR服务

Iron Software开发了一个OCR(光学字符识别)库，解决了 Azure OCR 集成的互操作性问题。 在 Azure 上使用 OCR 库对开发者来说一直有点困难。 解决这个以及其他许多OCR难题的方案是IronOCR。

IronOCR的Microsoft Azure功能

IronOCR包括以下特性，用于在Microsoft Azure上构建OCR服务：

• 将 PDF 转换为可搜索的文档，以便于提取文本。
• 将图像转换为可搜索的文档，通过从图像中提取文本。
• 读取条形码以及二维码
• 卓越的准确性
• 在本地运行，无需SaaS服务(软件即服务)这是一种软件分发模型，其中云提供商（如Microsoft Azure）托管各种应用程序，并使这些应用程序可供最终用户使用。

• 闪电般的速度

  让我们来看看最佳的OCR引擎，Iron Software的IronOCR，如何让开发者更容易地从任何输入文档中提取文本。

让我们开始使用我们的Azure OCR服务

要开始使用示例，我们首先需要安装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，可以输入：Install-Package IronOcr 或选择管理 NuGet 包并搜索 IronOCR。 这如下所示

3. 将您的 Program.cs 文件编辑为以下内容：
   • 我们导入 IronOcr 命名空间，以利用其 OCR 功能来读取和提取 PDF 文件的内容。
   • 我们创建了一个新的 IronTesseract 对象，以便我们可以从图像中提取文本。

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); //Write Output to PDF document
                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); //Write Output to PDF document
                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) 'Write Output to PDF document
				Console.ReadLine()
			End Using
		End Sub
	End Class
End Namespace

4. 接下来，我们打开一个名为Purgatory.PNG的图片。 这幅图像是但丁的《神曲》的一部分——我的最爱书籍之一。 这张图片看起来像下一张图片。

   

   图 2 - 用 IronOCR 的光学字符识别功能提取的文本

5. 提取上述输入图像文本后的输出。

   

   图3 - 提取的文本

6. 让我们对一个PDF文档做同样的处理。 PDF文档包含与图形相同的要提取的文本。

   我们将成为一个PDF文档，而不是图像。 输入以下代码：

 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

几乎与之前提取图片中文本的代码相同。

在这里，我们使用 OcrInput 方法来读取当前的 PDF 文档，在这种情况下是：Purgatorio.pdf。 如果PDF文件中有元数据，如标题或密码，我们也可以输入这些信息。

结果被保存为一个PDF文档，我们可以在其中搜索文本。

注意，如果PDF文件太大，可能会抛出异常。

7. 谈够了Windows应用程序； 让我们看看如何在Microsoft Azure上使用OCR。

   IronOCR的优点在于它能够在微服务架构中作为Azure功能与Microsoft Azure非常好地配合使用。 这是一个使用IronOCR的Microsoft Azure函数的非常快速的示例。这个Microsoft Azure函数可以从图像中提取文本。

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

这将函数接收到的图像直接输入到ocr引擎中，以输出为提取的文本。

关于Microsoft Azure的快速回顾。

根据微软的说法：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的和松散耦合的，因此一个组件的故障不会导致整个应用程序崩溃。独立组件共同工作，并通过明确定义的API合同进行通信。 构建微服务应用程序以满足迅速变化的业务需求，并更快地将新功能推向市场。

IronOCR与.NET或Microsoft Azure的一些其他功能包括以下内容：

能够对几乎任何文件、图像或PDF执行OCR。

• 处理 OCR 输入的闪电般速度
• 卓越的准确性
• 读取条形码和二维码
• 本地运行，无需SaaS
• 可以将 PDF 和图像转换为可搜索的文档。
• 优秀的微软认知服务Azure OCR替代品

改善OCR性能的图像过滤器

• OcrInput.Rotate - 将图像顺时针旋转若干度。要逆时针旋转，请使用负数。
• OcrInput.Binarize()** - 这个图像滤镜将每个像素变成黑色或白色，没有中间色。 这提高了OCR性能。
• OcrInput.ToGrayScale()** - 此图像滤镜将每个像素转换为灰度阴影。 这提高了OCR速度。
• OcrInput.对比度()** - 自动增加对比度。 此过滤器提高了低对比度扫描中的OCR速度和准确性。
• OcrInput.DeNoise()** - 去除数字噪声。此过滤器应仅在输入文档预期有噪声的情况下使用。
• OcrInput.Invert()** - 反转每个颜色。
• OcrInput.膨胀()** - 膨胀会在图像中任何对象的边界上增加像素。
• OcrInput.Erode()** - 侵蚀会删除对象边界上的像素。
• OcrInput.Deskew()** - 旋转图像，使其正面朝上并保持正交。 这对OCR非常有用，因为Tesseract对倾斜扫描的容忍度可以低至5度。
• OcrInput.DeepCleanBackgroundNoise()** - 强大的背景噪音消除。
• 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

价格和许可选项

three的基本有三个付费许可级别所有工作均基于一次性购买，终身许可的原则。

是的，这些都是免费用于开发目的的。

更多信息

• 可在以下链接找到更多资源：资源
• API 参考可以在这里找到：应用程序接口参考
• IronOCR 产品的支持可以在这里找到：支持
• 联系Iron Software：联系信息

IronOCR 为 .NET 应用程序提供的功能，在 Azure 和其他系统上运行 OCR

• IronOCR支持127种国际语言。 每种语言都有快速、标准和最佳质量可供选择。 一些可用的语言包包括：

  • 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

  • 菲律宾人

  • 芬兰语

  • 法语

  • 德语
• 有更多语言包可供查看，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

  • 支持在 Microsoft Azure 上的 Docker

  • 支持 PDF 文档

  • 支持多帧Tiff文件
• 支持所有主要的图像格式

• 支持以下 .NET 框架：

  • .NET Framework 4.5 及更高版本

  .NET Standard 2

  .NET Core 2

• .NET Core 3

  .NET Core 5

• 您不必拥有 Tesseract(支持 Unicode 并支持 100 多种语言的开源 OCR 引擎)需要安装IronOCR才能工作。

  • 比Tesseract的精度更高
• 相比 Tesseract 有速度提升
• 修正文档或文件扫描质量低的问题
• 纠正低质量歪斜扫描的文档或文件

什么是（光学字符识别）OCR？

根据维基百科：光学字符识别是将打字、印刷文本的图像通过电子或机械方式转换为机器编码文本的过程，无论是来自扫描文档、文档照片、现场照片还是图像上叠加的字幕文本。 OCR代表光学字符识别。 有四种主要的光学字符识别类型，它们是：

• OCR - 光学字符识别，针对输入文档中的打字文字，一个字符或字形(商定的一组符号中的元素符号，例如不同字体中的 "a"。)一次一个。
• OWR - 光学文字识别，针对输入文档中逐个识别打字文字
• ICR - 智能字符识别，针对印刷文本如印刷手写体(不连接其他字母的字符)和草书文本，一次一个字符或字形
• IWR - 针对草书文本的智能文字识别。