Analisar o layout da imagem do documento usando o Tesseract OCR em .NET

O reconhecimento de texto a partir de imagens de documentos consiste em duas etapas. A primeira etapa analisa o layout da imagem do documento, ou seja, determina a posição de parágrafos, linhas de texto, palavras e símbolos na imagem. A segunda etapa realiza o reconhecimento de caracteres na imagem do documento e separa os caracteres em parágrafos, linhas de texto e palavras.

O VintaSoft Imaging .NET SDK com o VintaSoft OCR .NET Plug-in permite reconhecer texto em imagens de documentos usando o método TesseractOcr.Recognize. Este método realiza ambas as etapas de reconhecimento de texto, ou seja, analisa o layout e realiza o reconhecimento de caracteres.

Às vezes, há necessidade de analisar a posição de parágrafos, linhas de texto, palavras e símbolos na imagem do documento sem o reconhecimento de caracteres.
O VintaSoft Imaging .NET SDK com o VintaSoft OCR .NET Plug-in permite analisar o layout da imagem do documento (determinar a posição de parágrafos, linhas de texto, palavras e símbolos na imagem do documento) usando o método TesseractOcr.AnalyzeLayout. O método TesseractOcr.AnalyzeLayout funciona mais rápido do que o método TesseractOcr.Recognize, porque o método TesseractOcr.AnalyzeLayout analisa o layout da imagem do documento, mas não realiza reconhecimento de caracteres.

Aqui está o código C#, que demonstra como analisar o layout da imagem do documento usando o mecanismo OCR Tesseract (método 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();
    }
}