C#AI系列(6): C#离线实现高效OCR
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。