高级阅读的 OCR 配置

输入

以下车辆登记记录包含大写字母、小写字母和特殊符号（@, $, #, |, *），以及标点符号。

BlackListCharacters 通过主动排除已知的噪声符号（例如 `, and *）来补充白名单。

:path=/static-assets/ocr/content-code-examples/how-to/ocr-configurations-for-advanced-reading.cs

using IronOcr;

// Initialize the Tesseract OCR engine
IronTesseract ocr = new IronTesseract();

ocr.Configuration = new TesseractConfiguration
{
    // Whitelist only characters that appear on license plates
    WhiteListCharacters = "ABCDEFGHIJKLMNOPQRSTUVWXYZ0123456789- ",

    // Blacklist common noise characters
    BlackListCharacters = "`~@#$%&*",
};

var ocrInput = new OcrInput();
// Load the input image
ocrInput.LoadImage("advanced-input.png");
// Perform OCR on the input image with ReadPhoto method
var results = ocr.ReadPhoto(ocrInput);

// Print the filtered text result to the console
Console.WriteLine(results.Text);

输出

白名单过滤的效果在结果中清晰可见：

• "车牌：ABC-1234"变为"P ABC-1234" 。 小写字母"late:"被省略，而车牌号码则完全保留。
• "VIN: 1HGBH41JXMN109186"变为"VIN 1HGBH41JXMN109186" 。 冒号被省略，但大写的车辆识别码和完整号码被保留。
• "Owner: john.doe@email.com"变为"O" 。 所有小写​​电子邮件地址和标点符号均被删除。 -地区：CA-90210 | "5区"变为"R CA-90210 Z 5" 。 管道（|删除) and hash (#)，而保留大写字母和数字。
• *"费用：$125.00 + 税"变为"F 12500"** 。 美元符号、小数点、Plus号和小写字母"tax"都被移除。
• "Ref: ~record_v2^final"变为"R 2" 。 波浪号 (~)、下划线、插入符号 (^) 和所有小写字符都会被移除。

同样的 WhiteListCharacters 和 BlackListCharacters 方法适用于任何文档类型，而不仅仅是车牌。 下一节将展示如何扩展读取操作，以便在同一次读取过程中检测条形码和表格结构。

输入

single-line-label.png 是一个窄的货运标签，上面只有一行粗体快递文字：SHIPPING LABEL: TRK-2024-XR9-001。

IronTesseract ocr = new IronTesseract();

ocr.Configuration = new TesseractConfiguration
{
    PageSegmentationMode = TesseractPageSegmentationMode.SingleLine,
};

using OcrInput input = new OcrInput();
input.LoadImage("single-line-label.png");

OcrResult result = ocr.Read(input);
Console.WriteLine(result.Text);

IronTesseract ocr = new IronTesseract();

ocr.Configuration = new TesseractConfiguration
{
    PageSegmentationMode = TesseractPageSegmentationMode.SingleLine,
};

using OcrInput input = new OcrInput();
input.LoadImage("single-line-label.png");

OcrResult result = ocr.Read(input);
Console.WriteLine(result.Text);

对于文本位置不规则的扫描页面，SparseText 比 Auto 恢复的内容更多。

输入

receipt-scan.png 是 Corner Market 的热敏收据，包含四项商品（咖啡、松饼、果汁、格兰诺拉麦片棒）、虚线分隔符、小计、税金和总计。 在这种布局中，固定块分割会遗漏不同水平位置的条目。

IronTesseract ocr = new IronTesseract();

ocr.Configuration = new TesseractConfiguration
{
    PageSegmentationMode = TesseractPageSegmentationMode.SparseText,
};

using OcrInput input = new OcrInput();
input.LoadImage("receipt-scan.png");

OcrResult result = ocr.Read(input);
Console.WriteLine(result.Text);

IronTesseract ocr = new IronTesseract();

ocr.Configuration = new TesseractConfiguration
{
    PageSegmentationMode = TesseractPageSegmentationMode.SparseText,
};

using OcrInput input = new OcrInput();
input.LoadImage("receipt-scan.png");

OcrResult result = ocr.Read(input);
Console.WriteLine(result.Text);

布局分割已根据文档类型进行了调整，下一步是控制下游处理的输出格式。

输入

scanned-document.pdf 是IronOCR Solutions Ltd. 出具的单页商业信函（日期为 2024 年 3 月 15 日，参考 DOC-2024-OCR-0315）。 结果保存为 searchable-output.pdf。

IronTesseract ocr = new IronTesseract();

ocr.Configuration = new TesseractConfiguration
{
    RenderSearchablePdf = true,
};

using OcrInput input = new OcrInput();
input.LoadPdf("scanned-document.pdf");

OcrResult result = ocr.Read(input);
result.SaveAsSearchablePdf("searchable-output.pdf");

IronTesseract ocr = new IronTesseract();

ocr.Configuration = new TesseractConfiguration
{
    RenderSearchablePdf = true,
};

using OcrInput input = new OcrInput();
input.LoadPdf("scanned-document.pdf");

OcrResult result = ocr.Read(input);
result.SaveAsSearchablePdf("searchable-output.pdf");

输出

输出结果是一个 PDF 文件，它看起来与输入文件完全相同，但其中包含一个隐藏的文本层。 打开 searchable-output.pdf，并使用 Ctrl+F 验证嵌入的文本是否可搜索和可复制。

RenderHocr生成 hOCR 文档，这是一个 HTML 文件，它将文本内容与每个单词的边界框坐标一起编码。 当下游工具需要精确的词语定位时，例如编辑引擎或文档布局分析，这非常有用。

输入

document-page.png 是一个文档页面，标题为"2024 年第一季度摘要"，包含两段财务数据，涵盖收入、运营成本和增长驱动因素。 结果保存为 output.html。

IronTesseract ocr = new IronTesseract();

ocr.Configuration = new TesseractConfiguration
{
    RenderHocr = true,
};

using OcrInput input = new OcrInput();
input.LoadImage("document-page.png");

OcrResult result = ocr.Read(input);
result.SaveAsHocrFile("output.html");

IronTesseract ocr = new IronTesseract();

ocr.Configuration = new TesseractConfiguration
{
    RenderHocr = true,
};

using OcrInput input = new OcrInput();
input.LoadImage("document-page.png");

OcrResult result = ocr.Read(input);
result.SaveAsHocrFile("output.html");

输出

output.html 将每个识别出的单词与其边界框坐标进行编码。 在浏览器中打开文件以检查 hOCR 结构，或将其传递给下游工具进行布局分析或编辑。

如果您需要从单个读取调用中获得所有三种输出格式（纯文本、可搜索 PDF 和 hOCR），则可以同时启用这两个标志。

这些输出标志与读取的语言无关，包括非拉丁字母。下一节将介绍如何对日语文本应用字符过滤。

输入

该文档包含标题 (テsuto)、混合平假名和片假名以及浊音变体 (プ、で) 的日语句子、包含列入黑名单的噪音符号 (★、■) 和汉字 (価格) 的价格线、包含另一个列入黑名单的符号 (§) 的备注行、更多汉字 (购入)、其他浊音标记变体 (プ、デ) 和基本片假名（メモ，ール）。 白名单仅允许平假名、片假名、数字和常用日语标点符号通过； 这三个噪声符号已被明确列入黑名单。

平假名和片假名的 Unicode 字符范围以字符串字面量的形式在 WhiteListCharacters 中传递，噪声符号列在 BlackListCharacters 中。

:path=/static-assets/ocr/content-code-examples/how-to/ocr-configurations-for-advanced-reading-jp.cs

using IronOcr;
using System.IO;

IronTesseract ocr = new IronTesseract();

ocr.Configuration = new TesseractConfiguration
{
    // Whitelist only Hiragana, Katakana, numbers, and common Japanese punctuation
    WhiteListCharacters = "あいうえおかきくけこさしすせそたちつてとなにぬねのはひふへほまみむめもやゆよらりるれろわをん" +
                            "アイウエオカキクケコサシスセソタチツテトナニヌネノハヒフヘホマミムメモヤユヨラリルレロワヲン" +
                            "0123456789、。？！（）¥ー",

    // Blacklist common noise/symbols you want to ignore
    BlackListCharacters = "★■§",
};

var ocrInput = new OcrInput();

// Load Japanese input image
ocrInput.LoadImage("jp.png");

// Perform OCR on the input image with ReadPhoto method
var results = ocr.ReadPhoto(ocrInput);

// Write the text result directly to a file named "output.txt"
File.WriteAllText("output.txt", results.Text);

// You can add this line to confirm the file was saved:
Console.WriteLine("OCR results saved to output.txt");

输出

完整的过滤输出以文本文件的形式提供： jp-output.txt 。

因为白名单只包含基本的平假名和片假名字符，所以像プ（pu）和デ（de）这样的派生声标变体被删除了。 像価格（价格）和購入（购买）这样的汉字也被排除在外，因为它们不在白名单字符集中。 像 ■ 和 § 这样的黑名单符号会被主动移除，而不管白名单如何。