Analizza il layout dell'immagine del documento utilizzando Tesseract OCR in .NET

Il riconoscimento del testo dall'immagine del documento si compone di due fasi. La prima fase analizza il layout dell'immagine del documento, ovvero determina la posizione di paragrafi, righe di testo, parole e simboli nell'immagine del documento. La seconda fase esegue il riconoscimento dei caratteri nell'immagine del documento e li separa in paragrafi, righe di testo e parole.

VintaSoft Imaging .NET SDK con VintaSoft OCR .NET Plug-in consente di riconoscere il testo nell'immagine del documento utilizzando il metodo TesseractOcr.Recognize. Questo metodo esegue entrambi i passaggi del riconoscimento del testo, ovvero analizza il layout ed esegue il riconoscimento dei caratteri.

A volte è necessario analizzare la posizione di paragrafi, righe di testo, parole e simboli nell'immagine del documento senza riconoscere i caratteri.
VintaSoft Imaging .NET SDK con VintaSoft OCR .NET Plug-in consente di analizzare il layout dell'immagine del documento (determinare la posizione di paragrafi, righe di testo, parole e simboli nell'immagine del documento) utilizzando il metodo TesseractOcr.AnalyzeLayout. Il metodo TesseractOcr.AnalyzeLayout funziona più velocemente del metodo TesseractOcr.Recognize, perché il metodo TesseractOcr.AnalyzeLayout analizza layout dell'immagine del documento, ma non esegue il riconoscimento dei caratteri.

Qui è codice C#, che dimostra come analizzare il layout dell'immagine del documento utilizzando il motore OCR Tesseract (metodo TesseractOcr.AnalyzeLayout):

/// <summary>
/// Analyzes page layout using Tesseract OCR engine.
/// </summary>
/// <param name="filename">The name of document image file.</param>
public static void AnalyzePageLayoutUsingTesseractOCR(string filename)
{
    // create an image collection
    using (Vintasoft.Imaging.ImageCollection images =
        new Vintasoft.Imaging.ImageCollection())
    {
        // add images from file to the image collection
        images.Add(filename);

        System.Console.WriteLine("Create Tesseract OCR engine...");
        // create the Tesseract OCR engine
        using (Vintasoft.Imaging.Ocr.Tesseract.TesseractOcr tesseractOcr =
            new Vintasoft.Imaging.Ocr.Tesseract.TesseractOcr())
        {
            System.Console.WriteLine("Initialize OCR engine...");
            // init the Tesseract OCR engine for recognition of English characters
            tesseractOcr.Init(new Vintasoft.Imaging.Ocr.OcrEngineSettings(Vintasoft.Imaging.Ocr.OcrLanguage.English));

            // for each image in image collection
            foreach (Vintasoft.Imaging.VintasoftImage image in images)
            {
                System.Console.WriteLine("Recognize the image...");

                // set image for Tesseract OCR engine
                tesseractOcr.SetImage(image);

                // analyze page layout and get result as OCR page
                Vintasoft.Imaging.Ocr.Results.OcrPage ocrPage = tesseractOcr.AnalyzeLayout();

                // clear image in Tesseract OCR engine
                tesseractOcr.ClearImage();

                // calculate count of regions, paragraphs, lines, words, symbols

                int regionCount = ocrPage.Regions.Count;
                int paragraphCount = 0;
                int lineCount = 0;
                int wordCount = 0;
                int symbolCount = 0;

                foreach (Vintasoft.Imaging.Ocr.Results.OcrRegion region in ocrPage.Regions)
                {
                    Vintasoft.Imaging.Ocr.Results.OcrTextRegion textRegion =
                        region as Vintasoft.Imaging.Ocr.Results.OcrTextRegion;
                    paragraphCount += textRegion.Paragraphs.Count;
                    foreach (Vintasoft.Imaging.Ocr.Results.OcrParagraph paragraph in textRegion.Paragraphs)
                    {
                        lineCount += paragraph.TextLines.Count;
                        foreach (Vintasoft.Imaging.Ocr.Results.OcrTextLine line in paragraph.TextLines)
                        {
                            wordCount += line.Words.Count;
                            foreach (Vintasoft.Imaging.Ocr.Results.OcrWord word in line.Words)
                            {
                                symbolCount += word.Symbols.Count;
                            }
                        }
                    }
                }

                // output information about count of regions, paragraphs, lines, words, symbols

                System.Console.WriteLine("Layout result:");
                System.Console.WriteLine(string.Format("- Region count: {0}", regionCount));
                System.Console.WriteLine(string.Format("- Paragraph count: {0}", paragraphCount));
                System.Console.WriteLine(string.Format("- Line count: {0}", lineCount));
                System.Console.WriteLine(string.Format("- Word count: {0}", wordCount));
                System.Console.WriteLine(string.Format("- Symbol count: {0}", symbolCount));
                System.Console.WriteLine();
                System.Console.ReadKey();
            }

            // shutdown the Tesseract OCR engine
            tesseractOcr.Shutdown();
        }

        // free images
        images.ClearAndDisposeItems();
    }
}