【c#】Tesseract-ocr 3.0.2 版本使用实例

简介

光学字符识别(OCR,Optical Character Recognition)是指对文本资料进行扫描，而后对图像文件进行分析处理，获取文字及版面信息的过程。OCR技术很是专业，通常可能是印刷、打印行业的从业人员使用，能够快速的将纸质资料转换为电子资料。关于中文OCR，目前国内水平较高的有清华文通、汉王、尚书，其产品各有千秋，价格不菲。国外OCR发展较早，像一些大公司，如IBM、微软、HP等，即便没有推出单独的OCR产品，可是他们的研发团队早已掌握核心技术，将OCR功能植入了自身的软件系统。对于咱们程序员来讲，通常用不到那么高级的，主要在开发中可以集成基本的OCR功能就能够了。

Tesseract概述

Tesseract的OCR引擎最早由HP实验室于1985年开始研发，至1995年时已经成为OCR业内最准确的三款识别引擎之一。然而，HP不久便决定放弃OCR业务，Tesseract也今后尘封。数年之后，HP意识到，与其将Tesseract束之高阁，不如贡献给开源软件业，让其重焕新生－－2005年，Tesseract由美国内华达州信息技术研究所得到，并求诸于Google对Tesseract进行改进、消除Bug、优化工做。Tesseract目前已做为开源项目发布在Google Project(现已托管 github)，其项目主页在这里查看，3.0版本已经支持中文OCR，并提供了一个命令行工具。主库地址。

一、引用Tesseract

1.一、建立空的项目解决方案

建立成功后分别建立两个空的项目解决方案文件夹 WinformDemo 跟 TesseractWeb

1.二、winform配置跟源码

建立window窗体应用程序，使用 Nuget 添加 Tesseract ，搜索 tesseract-ocr ，如今最新版本是 3.2.0-alpha4，这里演示使用的是 3.0.2 稳定版 。以下图所示，选择所须要的版本安装便可。

安装完成后再项目中会添加以下两个文件夹

图片上传参考：http://www.cnblogs.com/miskis/p/7607024.html

语言文件下载地址：https://github.com/tesseract-ocr/tesseract/wiki/Data-Files#data-files-for-version-302

我使用的是英语语言包

下载后解压文件找到 tessdata  把它拷贝到你的项目中

后台代码：

 private void button1_Click(object sender, EventArgs e) { if (openFileDialog.ShowDialog() == DialogResult.OK) { //PictureBox控件显示图片  Image.Load(openFileDialog.FileName); //获取用户选择文件的后缀名 string extension = Path.GetExtension(openFileDialog.FileName); //声明容许的后缀名 string[] str = new string[] { ".jpg", ".png" }; if (!str.Contains(extension)) { MessageBox.Show("仅能上传jpg,png格式的图片！"); } else { //识别图片文字 var img = new Bitmap(openFileDialog.FileName); var ocr = new TesseractEngine("./tessdata", "eng", EngineMode.TesseractAndCube); var page = ocr.Process(img); label1.Text = page.GetText(); } } }

效果以下：

能够看出没有干扰线的识别仍是很准确。