幅提升。

 

在C#中调用Tesseract (https://github.com/tesseract-ocr/tesseract) 有两个方式：

 

命令行调用：带参数执行 tesseract.exe 文件，读取控制台获取解析结果。适合简单直观，不需要写代码，直接在终端输入命令即可，且跨语言通用。

Wrapper调用：使用封装好的C#库直接调用相关函数。适合深度集成，提高性能,减少出错。

命令行调用及参数网上已有很好的详细说明（如https://tesseract-ocr.cn/tessdoc/Command-Line-Usage.html），本文不再赘述（已经包含在仓库项目文件中了噢）。

 

下面我们通过Wrapper调用的方式来使用Tesseract。C# 目前比较好用的Wrapper有同名的Tesseract（https://github.com/charlesw/tesseract, A .NET wrapper for tesseract-ocr 5.2.0.），在Nuget直接拉取可得到包含运行时和Wrapper库的完整程序，直接开箱即用。

 

二、Tesseract模型准备

执行OCR之前，要准备训练好模型，可以在官方仓库找到（https://github.com/tesseract-ocr/tessdata_best，https://github.com/tesseract-ocr/tessdata_fast），都是免费。

其中语言类模型（language .traineddata）能直接下载的 100 多种，命名规则就是“语言代码[+方向/变体]”。常用举例的有 eng、chi_sim、chi_tra、jpn、kor、rus、ara、deu、fra、spa、lat 等。另外就是垂直排版变体 chi_sim_vert、chi_tra_vert、jpn_vert、kor_vert, 其他特殊格式等：frak（德文花体）、equ（数学公式）、osd。

image

 

三、"四行代码"实现OCR

3.1 核心代码

核心代码就四行，非常简单，代码及注释如下：

 

 

   // 1. 创建引擎实例（参数：语言包、数据路径）

  using (var engine = new TesseractEngine(tessDataPath, "chi_sim + eng", EngineMode.LstmOnly))

  {                    

      // 2. 加载图像

       using (var img = Pix.LoadFromFile(imgPath))

      {

          // 3. 创建页面对象

          using (var page = engine.Process(img, PageSegMode.Auto))

          {

              // 4. 获取识别结果

              Console.WriteLine("识别结果：\n" + page.GetText());

          }

      }

  }

 

3.2 模型参数

模型加载时可同时加载多个语言，与命令行参数相似，直接用“+”拼接即可，如"eng + chi_sim + osd"。

 

3.3 引擎模式

EngineMode，对应命令行参数（OEM，--oem N）。4 选 1，决定用哪套“底层引擎”：

 

0: 仅传统引擎（tesseract 3 时代）

1: 仅 LSTM 神经网络（tesseract 4+ 主推）

2: 二者都跑，再合并结果

3: 自动选择（默认，通常等于 1）

3.4 页面分割模式

PageSegMode，对应命令行参数（--psm N）

共 14 个等级（0-13），决定 Tesseract 把图像当成什么版式来处理：

 

0: OSD only

1: 自动分栏 + OSD

2: 自动分栏，但不做 OSD 也不 OCR（未实现）

3: 完全自动分栏，默认模式

4: 单列可变尺寸文本

5: 单一垂直文本块

6: 单一统一文本块

7: 单行

8: 单个单词

9: 圆圈内的单个单词

10: 单个字符

11: 稀疏文本（无顺序）

12: 稀疏文本 + OSD

13: 原始行（绕过 Tesseract 特殊调整）

3.5 注意事项

根据实际需求选择合适的模型来OCR，eng对标点符号的处理比较好，一般均可以带上。如果是识别车牌照文本，或无规律的文本，则需要自行考虑改变页面分割模式，非常影响识别效果。

普通文本OCR如下：

image

 

结果：

 

image

 

四 扩展应用

4.1 文本块坐标导出及分级处理

遍历page的内部，按block、或word分级获取ocr结果的语言、文本及坐标，这样可以更好辅助实现证件信息读取

 

using (var iter = page.GetIterator())

{

    iter.Begin();

 

    do

    {

        do

        {

            do

            {

                do

                {

                    if (iter.IsAtBeginningOf(PageIteratorLevel.TextLine))

                    {

                        iter.GetImage(PageIteratorLevel.TextLine, 0,out var x,out var y);

                        Console.WriteLine($"<BLOCK> ({x},{y}): {iter.GetWordRecognitionLanguage()}");

 

                    }

 

                    Console.Write(iter.GetText(PageIteratorLevel.Word));

                    Console.Write(" ");

 

                    if (iter.IsAtFinalOf(PageIteratorLevel.TextLine, PageIteratorLevel.Word))

                    {

                        Console.WriteLine();

                    }

                } while (iter.Next(PageIteratorLevel.TextLine, PageIteratorLevel.Word));

 

                if (iter.IsAtFinalOf(PageIteratorLevel.Para, PageIteratorLevel.TextLine))

                {

                    Console.WriteLine();

                }

            } while (iter.Next(PageIteratorLevel.Para, PageIteratorLevel.TextLine));

        } while (iter.Next(PageIteratorLevel.Block, PageIteratorLevel.Para));

    } while (iter.Next(PageIteratorLevel.Block));

}

效果如下：

image

 

识别后，每个block后面的数字表示当前文本矩形框的左上角xy坐标

 

image

 

4.2 pdf生成

生成导入图像的pdf文件，且pdf中OCR内容区域的文本可被拾取。

 

using (IResultRenderer renderer = Tesseract.PdfResultRenderer.CreatePdfRenderer(@"test.pdf", tessDataPath, false))

{

    // PDF Title

    using (renderer.BeginDocument("Serachablepdftest"))

    {

        using (TesseractEngine engine = new TesseractEngine(tessDataPath, "chi_sim+eng", EngineMode.Default))

        {

            using (var img = Pix.LoadFromFile(imgPath))

            {

                using (var page = engine.Process(img, "Serachablepdftest"))

                {

                    renderer.AddPage(page);

                }

            }

        }

    }

}

效果如下：

image

 

转成pdf文件后的文字拾取效果：

image

 

五、单文件打包问题

单文件发布时，可能存在发布成功，但运行程序出现错误的问题。这个与wrapper在加载运行时过程中的文件路径及处理有关。

本项目中对这个wrapper进行了处理，将原来动态加载的非托管库直接写死为win环境下的x64了，这样就可以很好的单文件发布（13.4mb + 模型）及aot发布（3mb + 2.6mb + 4mb + 模型）。

修改后的tesseract(wrapper)可以在仓库里找到。

算上chi_sim和eng模型，所有必须文件加起来独立运行无依赖，一共40mb。

 

六、 最后

有了tesseract，C#实现ocr也是很方便的事情。简单ocr再也不需要花钱注册会员来整了，随便自己或找个身边的程序员编译下，分分钟就搞定。