.NET/C# 使用 Tesseract 对图片 OCR 文字识别

小渣渣

需求：使用 OCR 技术对图片文字进行识别，如果包含某些文字，后端就初步通过了筛选，优先处理。需求比较简单。

回顾：

.NET/C# 使用 FastDeploy 部署 OCR 模型识别文字
https://www.itsvse.com/thread-10911-1-1.html

.NET Core 调用百度 PaddleOCR 识别图文
https://www.itsvse.com/thread-9590-1-1.html

Tesseract OCR

Tesseract 最初于 1985 年至 1994 年间在英国布里斯托尔的惠普实验室和美国科罗拉多州格里利的惠普公司开发。1996 年，为了移植到 Windows 系统，Tesseract 进行了进一步的修改，并于 1998 年进行了部分 C++ 化。2005 年，惠普将 Tesseract 开源。2006 年至 2018 年 11 月，它由谷歌开发。

Tesseract 4 新增了一个基于神经网络 (LSTM) 的OCR 引擎，该引擎专注于线条识别，但仍然支持 Tesseract 3 的旧版 Tesseract OCR 引擎，该引擎通过识别字符模式来工作。使用旧版 OCR 引擎模式 (--oem 0) 可启用与 Tesseract 3 的兼容性。它还需要支持旧版引擎的训练数据文件，例如来自tessdata存储库的文件。

Tesseract 地址：超链接登录可见。
tessdata：超链接登录可见。
文档：超链接登录可见。

C# 调用 Tesseract

关于使用 C# 调用 Tesseract，常用的有两个库：Tesseract、TesseractOCR，其中 TesseractOCR 是基于 Tesseract 库二次开发的，两个开源库的代码其实差不多，区别在于 TesseractOCR 调用的是最新版本（5.5.0）的 .dll 动态链接库，所以推荐使用 TesseractOCR。

Tesseract 代码：超链接登录可见。
TesseractOCR 代码：超链接登录可见。

首先，需要在 tessdata 项目中下载简体中文（chi_sim.traineddata）的模型。（略）

代码如下：

登录可见。

从网上随便找一张截图进行测试，原图如下：



OCR 识别结果如下：



（完）