如何使用 Tesseract 从图像中提取文本

1.1 安装 Tesseract

使用 NuGet 包管理器控制台，输入以下命令：

Install-Package Tesseract

或者通过 NuGet 程序包管理器下载该程序包。

如何实现 OCR 文本识别，图 1：在 NuGet 包管理器中安装 Tesseract 包 在 NuGet 包管理器中安装Tesseract包

安装 NuGet 包后，必须手动将语言文件安装并保存到项目文件夹中。 这可以被视为该特定库的一个缺陷。

请访问以下网站下载语言文件。 下载完成后，解压缩文件，并将"tessdata"文件夹添加到项目的调试文件夹中。

1.2. 使用 Tesseract（快速入门）

可以使用以下源代码对给定图像进行OCR识别：

using Tesseract;

class Program
{
    static void Main()
    {
        // Initialize Tesseract engine with English language data
        using var ocrEngine = new TesseractEngine(@"tessdata", "eng", EngineMode.Default);

        // Load the image to be processed
        using var img = Pix.LoadFromFile("Demo.png");

        // Process the image to extract text
        using var res = ocrEngine.Process(img);

        // Output the recognized text
        Console.WriteLine(res.GetText());
        Console.ReadKey();
    }
}

using Tesseract;

class Program
{
    static void Main()
    {
        // Initialize Tesseract engine with English language data
        using var ocrEngine = new TesseractEngine(@"tessdata", "eng", EngineMode.Default);

        // Load the image to be processed
        using var img = Pix.LoadFromFile("Demo.png");

        // Process the image to extract text
        using var res = ocrEngine.Process(img);

        // Output the recognized text
        Console.WriteLine(res.GetText());
        Console.ReadKey();
    }
}

Imports Tesseract

Friend Class Program
	Shared Sub Main()
		' Initialize Tesseract engine with English language data
		Dim ocrEngine = New TesseractEngine("tessdata", "eng", EngineMode.Default)

		' Load the image to be processed
		Dim img = Pix.LoadFromFile("Demo.png")

		' Process the image to extract text
		Dim res = ocrEngine.Process(img)

		' Output the recognized text
		Console.WriteLine(res.GetText())
		Console.ReadKey()
	End Sub
End Class

• 首先，必须创建一个TesseractEngine对象，并将语言数据加载到引擎中。 然后借助Pix.LoadFromFile加载所需的图像文件。
• 将图像传递给TesseractEngine ，使用Process方法提取文本。
• 使用GetText方法获取识别出的文本，并将其打印到控制台。

如何进行OCR文本识别，图2：从图像中提取的文本 从图像中提取的文本

1.3 超立方体的考虑因素

1. Tesseract 从 3.00 版本开始支持输出文本格式、OCR 位置数据和页面布局分析。
2. Tesseract 可在 Windows、Linux 和 MacOS 上运行，但由于开发支持有限，目前已确认其主要在 Windows 和 Ubuntu 上按预期运行。
3. Tesseract 可以区分等宽字体和比例字体。
4. 利用 OCRopus 等前端，Tesseract 非常适合用作后端，并可用于更具挑战性的 OCR 作业，例如布局分析。
5. Tesseract 的一些不足之处：
   • 最新版本并未设计为可在 Windows 系统上编译。 Tesseract 的 C# API 封装器维护频率很低，而且比 Tesseract 的新版本落后数年。

要了解有关 C# 中 Tesseract 的更多信息，请访问Tesseract 教程。

2.1. 安装 IronOCR

在 NuGet 包管理器控制台中输入以下命令：

Install-Package IronOcr

或者，您也可以通过 NuGet 包管理器安装 IronOCR 库，以及其他语言的附加包，这些包使用起来既简单又方便。

如何获取 OCR 文本识别功能，图 3：通过 NuGet 包管理器安装 IronOCR 和语言包 通过 NuGet 包管理器安装 IronOcr 和语言包

2.2. 使用 IronOCR

以下是识别给定图像中文本的示例代码：

using IronOcr;

class Program
{
    static void Main()
    {
        // Create an IronTesseract instance with predefined settings
        var ocr = new IronTesseract()
        {
            Language = OcrLanguage.EnglishBest,
            Configuration = { TesseractVersion = TesseractVersion.Tesseract5 }
        };

        // Create an OcrInput instance for image processing
        using var input = new OcrInput();

        // Load the image to be processed
        input.AddImage("Demo.png");

        // Process the image and extract text
        var result = ocr.Read(input);

        // Output the recognized text
        Console.WriteLine(result.Text);
        Console.ReadKey();
    }
}

using IronOcr;

class Program
{
    static void Main()
    {
        // Create an IronTesseract instance with predefined settings
        var ocr = new IronTesseract()
        {
            Language = OcrLanguage.EnglishBest,
            Configuration = { TesseractVersion = TesseractVersion.Tesseract5 }
        };

        // Create an OcrInput instance for image processing
        using var input = new OcrInput();

        // Load the image to be processed
        input.AddImage("Demo.png");

        // Process the image and extract text
        var result = ocr.Read(input);

        // Output the recognized text
        Console.WriteLine(result.Text);
        Console.ReadKey();
    }
}

Imports IronOcr

Friend Class Program
	Shared Sub Main()
		' Create an IronTesseract instance with predefined settings
		Dim ocr = New IronTesseract() With {
			.Language = OcrLanguage.EnglishBest,
			.Configuration = { TesseractVersion = TesseractVersion.Tesseract5 }
		}

		' Create an OcrInput instance for image processing
		Dim input = New OcrInput()

		' Load the image to be processed
		input.AddImage("Demo.png")

		' Process the image and extract text
		Dim result = ocr.Read(input)

		' Output the recognized text
		Console.WriteLine(result.Text)
		Console.ReadKey()
	End Sub
End Class

• 此代码初始化一个IronTesseract对象，设置语言和 Tesseract 版本。 然后创建一个OcrInput对象，使用AddImage方法加载图像文件。 IronTesseract的Read方法处理图像并提取文本，然后将文本打印到控制台。

如何进行 OCR 文本识别，图 4：使用 IronOCR 库提取的文本输出 使用 IronOCR 库提取文本输出

2.3 铁氧浓度比 (IronOCR) 考量

1. IronOCR 是 Tesseract 库的扩展，引入了更高的稳定性和更高的准确性。
2. IronOCR 可以读取PDF和照片中的文本内容。 它还可以读取 20 多种不同类型的条形码和二维码。
3. 输出可以呈现为纯文本、结构化数据、条形码或二维码。
4. 该图书馆认可全球 125 种语言。
5. IronOCR 可灵活地在所有 .NET 环境（控制台、Web、桌面等）中运行，并且还支持最新的移动框架，如 Mono、Xamarin、 Azure和MAUI 。
6. IronOCR 提供免费试用版，并且开发版的价格更低。 了解更多许可信息。

有关 IronOCR 的详细教程，请参阅本文，了解如何在 C# 中从图像中读取文本。