Comment implémenter et faire de l'OCR dans un projet C #?
Je cherche depuis un moment et tout ce que j'ai vu des demandes de bibliothèque OCR. Je voudrais savoir comment implémenter la bibliothèque OCR la plus pure, facile à installer et à utiliser avec des informations détaillées pour l'installation dans un projet C #.
Si possible, je veux juste l'implémenter comme une référence de DLL habituelle ...
Exemple:
using org.pdfbox.pdmodel;
using org.pdfbox.util;
Un petit exemple de code OCR serait aussi Nice, comme:
public string OCRFromBitmap(Bitmap Bmp)
{
Bmp.Save(temppath, System.Drawing.Imaging.ImageFormat.Tiff);
string OcrResult = Analyze(temppath);
File.Delete(temppath);
return OcrResult;
}
Veuillez donc considérer que je ne suis pas familier avec les projets OCR et donnez-moi une réponse comme parler à un mannequin.
Edit: Je suppose que les gens ont mal compris ma demande. Je voulais savoir comment implémenter ces bibliothèques OCR open source dans un projet C # et comment les utiliser. Le lien donné comme dup ne donne pas du tout les réponses que j'ai demandées.
Si quelqu'un se penche sur cela, j'ai essayé différentes options et l'approche suivante donne de très bons résultats. Voici les étapes pour obtenir un exemple de travail:
- Ajoutez . NET Wrapper pour tesseract à votre projet. Il peut être ajouté via le package NuGet
Install-Package Tesseract( https://github.com/charlesw/tesseract ). - Accédez à la section Téléchargements du projet officiel Tesseract ( https://code.google.com/p/tesseract-ocr/ EDIT: Il est maintenant situé ici: https://github.com/tesseract-ocr/langdata ).
- Téléchargez les données de langue préférée, exemple:
tesseract-ocr-3.02.eng.tar.gz English language data for Tesseract 3.02. - Créez le répertoire
tessdatadans votre projet et placez-y les fichiers de données linguistiques. - Accédez à
Propertiesdes nouveaux fichiers ajoutés et définissez-les pour les copier lors de la génération. - Ajoutez une référence à
System.Drawing. - À partir du référentiel .NET Wrapper, dans le répertoire
Samples, copiez l'exemplephototest.tifdans votre répertoire de projet et définissez-le pour qu'il soit copié lors de la construction. - Créez les deux fichiers suivants dans votre projet (juste pour commencer):
Program.cs
using System;
using Tesseract;
using System.Diagnostics;
namespace ConsoleApplication
{
class Program
{
public static void Main(string[] args)
{
var testImagePath = "./phototest.tif";
if (args.Length > 0)
{
testImagePath = args[0];
}
try
{
var logger = new FormattedConsoleLogger();
var resultPrinter = new ResultPrinter(logger);
using (var engine = new TesseractEngine(@"./tessdata", "eng", EngineMode.Default))
{
using (var img = Pix.LoadFromFile(testImagePath))
{
using (logger.Begin("Process image"))
{
var i = 1;
using (var page = engine.Process(img))
{
var text = page.GetText();
logger.Log("Text: {0}", text);
logger.Log("Mean confidence: {0}", page.GetMeanConfidence());
using (var iter = page.GetIterator())
{
iter.Begin();
do
{
if (i % 2 == 0)
{
using (logger.Begin("Line {0}", i))
{
do
{
using (logger.Begin("Word Iteration"))
{
if (iter.IsAtBeginningOf(PageIteratorLevel.Block))
{
logger.Log("New block");
}
if (iter.IsAtBeginningOf(PageIteratorLevel.Para))
{
logger.Log("New paragraph");
}
if (iter.IsAtBeginningOf(PageIteratorLevel.TextLine))
{
logger.Log("New line");
}
logger.Log("Word: " + iter.GetText(PageIteratorLevel.Word));
}
} while (iter.Next(PageIteratorLevel.TextLine, PageIteratorLevel.Word));
}
}
i++;
} while (iter.Next(PageIteratorLevel.Para, PageIteratorLevel.TextLine));
}
}
}
}
}
}
catch (Exception e)
{
Trace.TraceError(e.ToString());
Console.WriteLine("Unexpected Error: " + e.Message);
Console.WriteLine("Details: ");
Console.WriteLine(e.ToString());
}
Console.Write("Press any key to continue . . . ");
Console.ReadKey(true);
}
private class ResultPrinter
{
readonly FormattedConsoleLogger logger;
public ResultPrinter(FormattedConsoleLogger logger)
{
this.logger = logger;
}
public void Print(ResultIterator iter)
{
logger.Log("Is beginning of block: {0}", iter.IsAtBeginningOf(PageIteratorLevel.Block));
logger.Log("Is beginning of para: {0}", iter.IsAtBeginningOf(PageIteratorLevel.Para));
logger.Log("Is beginning of text line: {0}", iter.IsAtBeginningOf(PageIteratorLevel.TextLine));
logger.Log("Is beginning of Word: {0}", iter.IsAtBeginningOf(PageIteratorLevel.Word));
logger.Log("Is beginning of symbol: {0}", iter.IsAtBeginningOf(PageIteratorLevel.Symbol));
logger.Log("Block text: \"{0}\"", iter.GetText(PageIteratorLevel.Block));
logger.Log("Para text: \"{0}\"", iter.GetText(PageIteratorLevel.Para));
logger.Log("TextLine text: \"{0}\"", iter.GetText(PageIteratorLevel.TextLine));
logger.Log("Word text: \"{0}\"", iter.GetText(PageIteratorLevel.Word));
logger.Log("Symbol text: \"{0}\"", iter.GetText(PageIteratorLevel.Symbol));
}
}
}
}
FormattedConsoleLogger.cs
using System;
using System.Collections.Generic;
using System.Text;
using Tesseract;
namespace ConsoleApplication
{
public class FormattedConsoleLogger
{
const string Tab = " ";
private class Scope : DisposableBase
{
private int indentLevel;
private string indent;
private FormattedConsoleLogger container;
public Scope(FormattedConsoleLogger container, int indentLevel)
{
this.container = container;
this.indentLevel = indentLevel;
StringBuilder indent = new StringBuilder();
for (int i = 0; i < indentLevel; i++)
{
indent.Append(Tab);
}
this.indent = indent.ToString();
}
public void Log(string format, object[] args)
{
var message = String.Format(format, args);
StringBuilder indentedMessage = new StringBuilder(message.Length + indent.Length * 10);
int i = 0;
bool isNewLine = true;
while (i < message.Length)
{
if (message.Length > i && message[i] == '\r' && message[i + 1] == '\n')
{
indentedMessage.AppendLine();
isNewLine = true;
i += 2;
}
else if (message[i] == '\r' || message[i] == '\n')
{
indentedMessage.AppendLine();
isNewLine = true;
i++;
}
else
{
if (isNewLine)
{
indentedMessage.Append(indent);
isNewLine = false;
}
indentedMessage.Append(message[i]);
i++;
}
}
Console.WriteLine(indentedMessage.ToString());
}
public Scope Begin()
{
return new Scope(container, indentLevel + 1);
}
protected override void Dispose(bool disposing)
{
if (disposing)
{
var scope = container.scopes.Pop();
if (scope != this)
{
throw new InvalidOperationException("Format scope removed out of order.");
}
}
}
}
private Stack<Scope> scopes = new Stack<Scope>();
public IDisposable Begin(string title = "", params object[] args)
{
Log(title, args);
Scope scope;
if (scopes.Count == 0)
{
scope = new Scope(this, 1);
}
else
{
scope = ActiveScope.Begin();
}
scopes.Push(scope);
return scope;
}
public void Log(string format, params object[] args)
{
if (scopes.Count > 0)
{
ActiveScope.Log(format, args);
}
else
{
Console.WriteLine(String.Format(format, args));
}
}
private Scope ActiveScope
{
get
{
var top = scopes.Peek();
if (top == null) throw new InvalidOperationException("No current scope");
return top;
}
}
}
}
En voici un: (consultez http://hongouru.blogspot.ie/2011/09/c-ocr-optical-character-recognition.html ou http: //www.codeproject .com/Articles/41709/How-To-Use-Office-2007-OCR-Using-C pour plus d'informations)
using MODI;
static void Main(string[] args)
{
DocumentClass myDoc = new DocumentClass();
myDoc.Create(@"theDocumentName.tiff"); //we work with the .tiff extension
myDoc.OCR(MiLANGUAGES.miLANG_ENGLISH, true, true);
foreach (Image anImage in myDoc.Images)
{
Console.WriteLine(anImage.Layout.Text); //here we cout to the console.
}
}
J'utilise le moteur OCR tesseract avec TessNet2 (un wrapper C # - http://www.pixel-technology.com/freeware/tessnet2/ ).
Un code de base:
using tessnet2;
...
Bitmap image = new Bitmap(@"u:\user files\bwalker\2849257.tif");
tessnet2.Tesseract ocr = new tessnet2.Tesseract();
ocr.SetVariable("tessedit_char_whitelist", "0123456789ABCDEFGHIJKLMNOPQRSTUVWXYZabcdefghijklmnopqrstuvwxyz.,$-/#&=()\"':?"); // Accepted characters
ocr.Init(@"C:\Users\bwalker\Documents\Visual Studio 2010\Projects\tessnetWinForms\tessnetWinForms\bin\Release\", "eng", false); // Directory of your tessdata folder
List<tessnet2.Word> result = ocr.DoOCR(image, System.Drawing.Rectangle.Empty);
string Results = "";
foreach (tessnet2.Word word in result)
{
Results += Word.Confidence + ", " + Word.Text + ", " + Word.Left + ", " + Word.Top + ", " + Word.Bottom + ", " + Word.Right + "\n";
}
Il existe un wrapper .NET pour Tesseract 3.01: https://github.com/charlesw/tesseract-ocr-dotnet
Certaines API en ligne fonctionnent plutôt bien: ocr.space et Google Cloud Vision . Les deux sont gratuits, tant que vous effectuez moins de 1000 OCR par mois. Vous pouvez faire glisser et déposer une image pour effectuer un test manuel rapide afin de voir comment elles fonctionnent pour vos images.
Je trouve OCR.space plus facile à utiliser (pas de problème avec les bibliothèques de pépites), mais, pour mon objectif, Google Cloud Vision a fourni des résultats légèrement meilleurs que OCR.space.
Exemple de Google Cloud Vision:
GoogleCredential cred = GoogleCredential.FromJson(json);
Channel channel = new Channel(ImageAnnotatorClient.DefaultEndpoint.Host, ImageAnnotatorClient.DefaultEndpoint.Port, cred.ToChannelCredentials());
ImageAnnotatorClient client = ImageAnnotatorClient.Create(channel);
Image image = Image.FromStream(stream);
EntityAnnotation googleOcrText = client.DetectText(image).First();
Console.Write(googleOcrText.Description);
Exemple d'OCR.space:
string uri = $"https://api.ocr.space/parse/imageurl?apikey=helloworld&url={imageUri}";
string responseString = WebUtilities.DoGetRequest(uri);
OcrSpaceResult result = JsonConvert.DeserializeObject<OcrSpaceResult>(responseString);
if ((!result.IsErroredOnProcessing) && !String.IsNullOrEmpty(result.ParsedResults[0].ParsedText))
return result.ParsedResults[0].ParsedText;