使用 Tesseract C# 与 IronOCR：.NET 中实现 OCR 的完整指南

Tesseract 实现 - 一个简单示例

下面是使用 Tesseract 引擎的图像处理工作流程。这段代码演示了从 PNG 文件中提取文本的基本 OCR：

using TesseractOCR;
using TesseractOCR.Enums;
// Initialize the engine with tessdata path and language
using var engine = new Engine(@"./tessdata", Language.English, EngineMode.Default);
// Load input image using Pix format
using var img = Pix.LoadFromFile("document.png");
// Process the image and create a page
using var page = engine.Process(img);
// Extract plain text from recognized text
Console.WriteLine(page.GetText());

using TesseractOCR;
using TesseractOCR.Enums;
// Initialize the engine with tessdata path and language
using var engine = new Engine(@"./tessdata", Language.English, EngineMode.Default);
// Load input image using Pix format
using var img = Pix.LoadFromFile("document.png");
// Process the image and create a page
using var page = engine.Process(img);
// Extract plain text from recognized text
Console.WriteLine(page.GetText());

Imports TesseractOCR
Imports TesseractOCR.Enums

' Initialize the engine with tessdata path and language
Using engine As New Engine("./tessdata", Language.English, EngineMode.Default)
    ' Load input image using Pix format
    Using img As Pix = Pix.LoadFromFile("document.png")
        ' Process the image and create a page
        Using page As Page = engine.Process(img)
            ' Extract plain text from recognized text
            Console.WriteLine(page.GetText())
        End Using
    End Using
End Using

这种方法需要管理 tessdata 文件夹路径，确保适当的文件权限，并处理 Tesseract 引擎所期望的 Pix 图像格式。如果训练数据文件丢失或不兼容，引擎初始化会产生异常。 由于必须正确处理本地 Tesseract 资源，防止未托管代码泄漏，因此需要仔细关注内存使用情况。 对于遇到初始化问题的开发人员，IronOCR 故障排除指南解释了常见的 Tesseract 挑战和解决方案。

IronOCR 魔方实现

以下代码展示了 .NET IronOCR 如何简化相同的文本提取任务：

using IronOcr;
// Initialize the OCR engine
var ocr = new IronTesseract();
// Load and process the input image
using var input = new OcrInput();
input.LoadImage("document.png");
// Read text with automatic optimization
var result = ocr.Read(input);
Console.WriteLine(result.Text);

using IronOcr;
// Initialize the OCR engine
var ocr = new IronTesseract();
// Load and process the input image
using var input = new OcrInput();
input.LoadImage("document.png");
// Read text with automatic optimization
var result = ocr.Read(input);
Console.WriteLine(result.Text);

Imports IronOcr

' Initialize the OCR engine
Dim ocr As New IronTesseract()

' Load and process the input image
Using input As New OcrInput()
    input.LoadImage("document.png")
    ' Read text with automatic optimization
    Dim result = ocr.Read(input)
    Console.WriteLine(result.Text)
End Using

IronTesseract 类提供了一个托管包装器，可自动处理内存使用情况。 OcrInput 类可直接从文件路径、字节数组、流或 System.Drawing 对象接收图像文件，而无需进行格式转换。 由此产生的 result 对象包括置信度分数、单词位置和段落边界等结构化数据，所有这些对于构建复杂的文档处理管道都非常有价值。 请浏览完整的图像到文本教程，了解更多高级功能。

输入

!a href="/static-assets/ocr/blog/using-tesseract-csharp/using-tesseract-csharp-2.webp">Using Tesseract C# vs IronOCR: The Complete Guide to OCR Implementation in .NET：图像 2 - 示例图像输入。

输出

!a href="/static-assets/ocr/blog/using-tesseract-csharp/using-tesseract-csharp-3.webp">Using Tesseract C# vs IronOCR: The Complete Guide to OCR Implementation in .NET：图像 3 - 控制台输出

Tesseract 预处理限制

Tesseract 引擎旨在处理干净、高分辨率的图像文件，并正确引导文本。 在处理旋转或嘈杂的图像时，OCR 引擎经常会返回乱码输出或完全无法识别文本。 要解决这些图像质量问题，需要使用 ImageMagick、OpenCV 等外部工具，或者在将图像传递给 OCR 引擎之前必须运行的自定义预处理代码。

这种预处理开销会增加大量的 .NET 开发时间。每种文档类型都可能需要不同的校正例程，而在不同的输入中调整这些管道以获得最佳结果本身就是一个项目。

IronOCR 内置图像预处理

using IronOcr;
var ocr = new IronTesseract();
using var input = new OcrInput();
input.LoadImage("skewed-scan.png");
// Apply automatic corrections for high accuracy
input.Deskew();  // Correcting skew on rotated images
input.DeNoise(); // Remove digital noise
var result = ocr.Read(input);
Console.WriteLine(result.Text);

using IronOcr;
var ocr = new IronTesseract();
using var input = new OcrInput();
input.LoadImage("skewed-scan.png");
// Apply automatic corrections for high accuracy
input.Deskew();  // Correcting skew on rotated images
input.DeNoise(); // Remove digital noise
var result = ocr.Read(input);
Console.WriteLine(result.Text);

Imports IronOcr

Dim ocr = New IronTesseract()
Using input = New OcrInput()
    input.LoadImage("skewed-scan.png")
    ' Apply automatic corrections for high accuracy
    input.Deskew()  ' Correcting skew on rotated images
    input.DeNoise() ' Remove digital noise
    Dim result = ocr.Read(input)
    Console.WriteLine(result.Text)
End Using

IronOCR 支持图像校正过滤器，可自动解决常见的文档质量问题。 Deskew() 方法通过检测文本行角度并应用补偿旋转来纠正偏斜。 DeNoise()方法可去除扫描产生的人工痕迹或数字噪声，否则会混淆文本识别。 其他高级功能包括：EnhanceResolution() 用于改善低 DPI 图像；Sharpen() 用于锐化模糊的文档；Contrast() 用于恢复褪色的文本；Invert() 用于反转明暗文档。 这些内置图像预处理工具在大多数文档处理场景中无需使用外部图像处理库。

输入

!a href="/static-assets/ocr/blog/using-tesseract-csharp/using-tesseract-csharp-4.webp">Using Tesseract C# vs IronOCR: The Complete Guide to OCR Implementation in .NET：图像 4 - 输入示例

输出

!a href="/static-assets/ocr/blog/using-tesseract-csharp/using-tesseract-csharp-5.webp">Using Tesseract C# vs IronOCR: The Complete Guide to OCR Implementation in .NET：图片 5 - 经过纠偏的控制台输出。

Tesseract 格式要求

Tesseract 的底层 Leptonica 库可在内部使用 PIX 格式的图像。 虽然 .NET 封装程序会自动处理某些转换，但多页 TIFF 或 PDF 文档等复杂的图像格式需要额外的处理，通常还需要外部库。 .NET开发人员在将System.Drawing对象或Stream源转换为Tesseract引擎所期望的格式时经常会遇到问题，尤其是在处理网络应用程序或数据库blob存储中的图像时。

多帧 GIF 和多页 TIFF 文件需要手动迭代帧，这给本应是简单的文本提取示例增加了模板代码。

IronOCR 格式的灵活性

using IronOcr;
var ocr = new IronTesseract();
using var input = new OcrInput();
// Load various image formats directly
input.LoadImage("photo.jpg");
input.LoadImage("screenshot.png");
input.LoadImage("fax.tiff");
input.LoadPdf("scanned-contract.pdf");
var result = ocr.Read(input);
Console.WriteLine(result.Text);

using IronOcr;
var ocr = new IronTesseract();
using var input = new OcrInput();
// Load various image formats directly
input.LoadImage("photo.jpg");
input.LoadImage("screenshot.png");
input.LoadImage("fax.tiff");
input.LoadPdf("scanned-contract.pdf");
var result = ocr.Read(input);
Console.WriteLine(result.Text);

Imports IronOcr

Dim ocr As New IronTesseract()
Using input As New OcrInput()
    ' Load various image formats directly
    input.LoadImage("photo.jpg")
    input.LoadImage("screenshot.png")
    input.LoadImage("fax.tiff")
    input.LoadPdf("scanned-contract.pdf")
    Dim result = ocr.Read(input)
    Console.WriteLine(result.Text)
End Using

IronOCR 支持所有主流格式的图像，包括 JPG、PNG、GIF、TIFF、BMP 和 WebP。该库可自动处理多页 TIFF 和 GIF，将每一帧作为单独的页面处理。 在文档数字化方面，该库可直接处理PDF 文件输入—从扫描页面中提取文本，而无需单独的 PDF 处理库或图像转换步骤。

输出

!a href="/static-assets/ocr/blog/using-tesseract-csharp/using-tesseract-csharp-6.webp">Using Tesseract C# vs IronOCR: The Complete Guide to OCR Implementation in .NET：图像 6 - 多个图像控制台输出。

Tesseract 语言配置

using TesseractOCR;
using TesseractOCR.Enums;
// Requires downloading fra.traineddata to tessdata folder
using var engine = new Engine(@"./tessdata", Language.French, EngineMode.Default);

using TesseractOCR;
using TesseractOCR.Enums;
// Requires downloading fra.traineddata to tessdata folder
using var engine = new Engine(@"./tessdata", Language.French, EngineMode.Default);

Imports TesseractOCR
Imports TesseractOCR.Enums

' Requires downloading fra.traineddata to tessdata folder
Using engine As New Engine("./tessdata", Language.French, EngineMode.Default)
End Using

每种语言都需要从 Tesseract GitHub 代码库下载相应的 .traineddata 文件，并将其放置在正确的 tessdata 文件夹中。 对于多语言文档，您可以在 引擎 初始化过程中指定多种语言。 在开发、暂存和生产环境中管理这些语言文件—并确保所有部署目标在输出目录中有正确的版本—增加了操作的复杂性，并随着语言需求的增加而加剧。

.NET IronOCR 语言包

using IronOcr;
var ocr = new IronTesseract();
// Install IronOcr.Languages.French NuGet package first
ocr.Language = OcrLanguage.French;
// Process multi-language documents
ocr.AddSecondaryLanguage(OcrLanguage.German);

using IronOcr;
var ocr = new IronTesseract();
// Install IronOcr.Languages.French NuGet package first
ocr.Language = OcrLanguage.French;
// Process multi-language documents
ocr.AddSecondaryLanguage(OcrLanguage.German);

Imports IronOcr

Dim ocr As New IronTesseract()
' Install IronOcr.Languages.French NuGet package first
ocr.Language = OcrLanguage.French
' Process multi-language documents
ocr.AddSecondaryLanguage(OcrLanguage.German)

IronOCR 将 语言包作为 NuGet 包发布，并与标准 .NET Framework 和 .NET Core 依赖关系管理工具集成。 该库支持 127+种语言，包括手写体和特定脚本的专门变体，可以优雅地处理多语言文档。 构建过程中的软件包还原功能可确保自动部署所有需要的语言文件—无需进行手动文件管理或版本控制。

Tesseract 平台面临的挑战

Tesseract .NET 封装实现依赖于为特定平台编译的本地 C++ 库。 DLL 或共享库文件因 Windows、Linux 和 macOS 以及 32 位和 64 位架构而异。 部署到 Linux 需要与 Windows 不同的二进制文件，并在部署环境中配置适当的库路径。

云部署带来了额外的挑战。 Azure App Services、AWS Lambda 和容器化环境可能缺乏原生 Tesseract 所需的 Visual C++ 运行时。 在 Docker 容器或无服务器功能中安装这些依赖项会增加构建管道的复杂性并增大映像大小。 许多 .NET 开发人员在本地 Visual Studio 开发中遇到过部署失败的情况，因为本地依赖项没有正确打包。

IronOCR 跨平台一致性

IronOCR for .NET 以纯托管 .NET 库的形式运行，无需管理外部本地依赖关系。 同一个 NuGet 包在 Windows、macOS、Linux、Azure 应用服务、AWS Lambda 和 Docker容器中均可一致运行。 这种架构大大简化了 CI/CD 管道，使您可以在本地构建并可靠地部署到生产环境中，而无需调整特定平台的配置。 一次创建部署，随处运行。

Tesseract结果访问

using var page = engine.Process(img);
// Basic OCR text output
string text = page.Text;
// Confidence score (mean across all recognized text)
float confidence = page.GetMeanConfidence();

using var page = engine.Process(img);
// Basic OCR text output
string text = page.Text;
// Confidence score (mean across all recognized text)
float confidence = page.GetMeanConfidence();

Imports System

Using page = engine.Process(img)
    ' Basic OCR text output
    Dim text As String = page.Text
    ' Confidence score (mean across all recognized text)
    Dim confidence As Single = page.GetMeanConfidence()
End Using

Tesseract 可提供识别文本和总体置信度评分。 要访问更精细的数据，如单个单词的位置或每个字符的置信度，需要调用额外的 API 并仔细迭代结果结构。

带有置信度分数的 IronOCR 结构化结果

var result = ocr.Read(input);
// Full text extraction
Console.WriteLine(result.Text);
// Iterate through structured elements with confidence scores
foreach (var page in result.Pages)
{
    foreach (var paragraph in page.Paragraphs)
    {
        Console.WriteLine($"Paragraph: {paragraph.Text}");
        Console.WriteLine($"Confidence: {paragraph.Confidence}%");
    }
}

var result = ocr.Read(input);
// Full text extraction
Console.WriteLine(result.Text);
// Iterate through structured elements with confidence scores
foreach (var page in result.Pages)
{
    foreach (var paragraph in page.Paragraphs)
    {
        Console.WriteLine($"Paragraph: {paragraph.Text}");
        Console.WriteLine($"Confidence: {paragraph.Confidence}%");
    }
}

Dim result = ocr.Read(input)
' Full text extraction
Console.WriteLine(result.Text)
' Iterate through structured elements with confidence scores
For Each page In result.Pages
    For Each paragraph In page.Paragraphs
        Console.WriteLine($"Paragraph: {paragraph.Text}")
        Console.WriteLine($"Confidence: {paragraph.Confidence}%")
    Next
Next

OcrResult 类提供对页面、段落、行、单词和单个字符的分层访问。 每个元素都包括边界框坐标和置信度分数，使 .NET 应用程序能够突出显示识别的文本区域、从特定区域提取内容、验证识别质量或标记置信度低的部分供人工审核。 IronOCR 还可以将结果直接导出为 searchable PDF 或 hOCR/HTML 格式，以便存档和编制搜索索引。

输出

!a href="/static-assets/ocr/blog/using-tesseract-csharp/using-tesseract-csharp-7.webp">Using Tesseract C# vs IronOCR: The Complete Guide to OCR Implementation in .NET：图像 7 - 可信度得分输出

何时考虑使用 Tesseract?

• 由于预算限制，不能使用商业许可，因此必须使用开源语言。
• 只处理干净、高质量的数字文档（原始数字 PDF 文档、屏幕截图）
• 开发团队拥有 C++ InterOp 和本地库管理经验
• 项目要求仅限于基本的 OCR 文本提取，不含高级功能
• 目标部署是一个可控的环境，在此环境中可以对依赖关系进行管理

何时选择 IronOCR?

• 构建生产型 .NET 应用程序，其中 OCR 的准确性会影响业务成果
• 处理不同质量的文件，包括扫描件、照片、传真和移动采集件
• 跨多个平台或云环境部署，一致性至关重要
• 需要专业的技术支持，定期进行错误修复和功能更新
• .NET开发时间表不允许与配置和预处理难题作斗争
• 要求包括 PDF 文件处理、条形码/QR 阅读或结构化结果数据