HOWTO · Csharp
Cómo implementar OCR en un proyecto de C#
Aprende a añadir Tesseract o IronOCR a un proyecto de C# y a reconocer texto en una imagen.
En esta página
Para reconocer texto en una imagen desde una aplicación de C#, instala una biblioteca de OCR, proporciona una imagen y los datos de idioma necesarios, y luego lee el texto reconocido del resultado. Esta guía describe dos opciones separadas: el motor de código abierto Tesseract y la biblioteca comercial IronOCR. Sus paquetes, configuración y API son diferentes.
Qué hace el OCR en una aplicación de C#
El reconocimiento óptico de caracteres (OCR) convierte el texto representado en una imagen en texto legible por máquina. Una aplicación de C# puede usar el resultado para indexar páginas escaneadas, rellenar previamente formularios de entrada de datos o hacer que el contenido de las imágenes se pueda buscar. La calidad del reconocimiento depende de la imagen de origen y de la configuración de idioma; ninguna biblioteca puede garantizar que todos los caracteres se identifiquen correctamente.
Instalar Tesseract e IronOCR
Elige una biblioteca para un proyecto y luego sigue los requisitos de paquete y despliegue de esa biblioteca. En Visual Studio, abre el administrador de paquetes NuGet del proyecto e instala el paquete llamado Tesseract para la ruta independiente de Tesseract, o IronOcr para IronOCR. Confirma la identidad y la versión del paquete en el listado de Tesseract en NuGet o en el listado de IronOcr en NuGet antes de añadirlo; las API de los paquetes y las dependencias nativas pueden variar según la versión y la plataforma de destino.
Tesseract también necesita datos de idioma entrenados. Obtén el archivo .traineddata de cada idioma que quieras reconocer y coloca los archivos juntos en un directorio tessdata que tu aplicación pueda leer. Incluye este directorio en el despliegue y usa su ruta real al crear el motor. La documentación del proyecto Tesseract describe el contenedor de .NET y su configuración. IronOCR es una biblioteca separada: no pases sus tipos al paquete independiente Tesseract ni supongas que los dos paquetes comparten pasos de configuración. Consulta la documentación oficial de OCR en C# y la referencia de la API de la versión de IronOCR seleccionada para ver las instrucciones del paquete, los términos de licencia y las plataformas compatibles antes del despliegue.
Reconocer texto de una imagen con Tesseract
El paquete independiente Tesseract necesita tanto la imagen como el directorio de datos entrenados. Este programa completo muestra el flujo previsto para una imagen en inglés en images/receipt.png, con eng.traineddata en tessdata. La versión del paquete y las dependencias nativas específicas de la plataforma no se suministraron para su verificación, así que trata este código como un ejemplo no verificado y confirma su API y dependencias con la documentación del proyecto Tesseract para tu destino antes de compilarlo.
using System;
using Tesseract;
internal static class Program
{
private static void Main()
{
const string imagePath = "images/receipt.png";
const string tessdataPath = "tessdata";
using (var engine = new TesseractEngine(tessdataPath, "eng", EngineMode.Default))
using (var image = Pix.LoadFromFile(imagePath))
using (var page = engine.Process(image))
{
Console.WriteLine(page.GetText());
}
}
}
Por ejemplo, si la imagen contiene visiblemente la línea Invoice 1042, el programa imprime texto reconocido como Invoice 1042 (seguido de un salto de línea). Este es un texto representativo, no un resultado observado; la salida real depende de la imagen y de la configuración de reconocimiento. Mantén el directorio tessdata junto a la aplicación desplegada y cambia imagePath y el código de idioma para que coincidan con tu entrada.
Reconocer texto de una imagen con IronOCR
IronOCR usa su propio espacio de nombres y API IronOcr. El siguiente programa completo usa IronTesseract, OcrInput.AddImage y Read para reconocer la misma imagen e imprimir el resultado. La versión del paquete no se suministró para su verificación, así que este es un ejemplo no verificado: comprueba las firmas y dependencias exactas en la referencia de la API de IronOCR y en las instrucciones del paquete IronOcr antes de compilarlo.
using System;
using IronOcr;
internal static class Program
{
private static void Main()
{
const string imagePath = "images/receipt.png";
using (var ocr = new IronTesseract())
using (var input = new OcrInput())
{
input.AddImage(imagePath);
var result = ocr.Read(input);
Console.WriteLine(result.Text);
}
}
}
Si la imagen contiene Invoice 1042, el texto impreso representativo es Invoice 1042 seguido de un salto de línea; esto es ilustrativo, no una ejecución observada. Instala y referencia IronOcr para estos tipos: IronTesseract pertenece a IronOCR y no es el motor independiente de Tesseract. El texto que devuelve result.Text es el resultado del reconocimiento, así que inspecciónalo o valídalo antes de usarlo como datos de aplicación fiables.
Mejorar la precisión del OCR y gestionar errores
Empieza con una imagen nítida y bien iluminada, cuyo texto tenga suficiente contraste y no esté cortado. Si los resultados son malos, prueba con una imagen de origen más grande, endereza las páginas inclinadas o preprocesa una copia convirtiéndola a escala de grises, ajustando el contraste o reduciendo el ruido. El preprocesamiento puede ayudar a algunas entradas y perjudicar a otras, así que compara los resultados usando imágenes representativas de tu aplicación.
Configura el idioma correcto: el Tesseract independiente necesita los datos entrenados correspondientes instalados y un código de idioma adecuado, mientras que la configuración de idioma de IronOCR depende de la versión seleccionada. Para varios idiomas, configura los datos de idioma previstos en lugar de suponer que el valor predeterminado es suficiente.
Comprueba que los archivos de entrada existen y se pueden leer antes de procesarlos, y gestiona los errores de biblioteca o de archivo en el límite de la aplicación. Registra contexto útil sin exponer contenidos sensibles de las imágenes. El OCR puede devolver texto parcial o incorrecto sin indicar que el resultado es apto para decisiones posteriores; valida los campos importantes y proporciona una vía de revisión cuando el reconocimiento sea incierto. Ninguno de los dos ejemplos de biblioteca se ejecutó en la evidencia de ejecución suministrada.