测试C#图像文本识别模块Tesseract的基本用法_c# tesseract

  微信公众号“dotNET跨平台”的文章《c#实现图片文体提取》（参考文献3）介绍了C#图像文本识别模块Tesseract，后者是tesseract-ocr（参考文献2） 的C#封装版本，目前版本为5.2，关于Tesseract的详细介绍请见参考文献1和5，本文主要测试Tesseract模块的基本用法。
  之前测试过IronOCR和PaddleSharp，本文复用IronOCR的测试代码，在NuGet包管理器中安装Tesseract包，如下图所示：

  主要调用TesseractEngine类加载语言包、设置识别语言等，其构造函数原型如下所示。其中输入参数中的datapath指定语言包路径，安装NuGet包时不会安装语言包，需要单独下载，可以在参考文献2或者Tesseract官网中下载，language参数指定识别语言，语言名称对应语言包中文件名的开头部分（如chi_sim.traineddata对应的简体中文语言为chi_sim，eng.traineddata对应的英文为eng），engineMode参数对应的是识别引擎类型，其可选值如下所示。

public TesseractEngine(string datapath, string language, EngineMode engineMode)

public enum EngineMode
{
    //
    // 摘要:
    //     Only the legacy tesseract OCR engine is used.
    TesseractOnly,
    //
    // 摘要:
    //     Only the new LSTM-based OCR engine is used.
    LstmOnly,
    //
    // 摘要:
    //     Both the legacy and new LSTM based OCR engine is used.
    TesseractAndLstm,
    //
    // 摘要:
    //     The default OCR engine is used (currently LSTM-ased OCR engine).
    Default
}
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21

  调用TesseractEngine类中的Process函数识别图片内容，其函数原型如下，第一个参数指定待识别的图片（Pix类为Tesseract模块自带类，可以调用Pix.LoadFromFile函数生成实例对象），第二个参数为图片处理方式，取值见下面代码所示。Process函数返回Page类实例对象，从中可以获取识别结果。

public Page Process(Pix image, PageSegMode? pageSegMode = null)

public enum PageSegMode
{
    //
    // 摘要:
    //     Orientation and script detection (OSD) only.
    OsdOnly,
    //
    // 摘要:
    //     Automatic page sementation with orientantion and script detection (OSD).
    AutoOsd,
    //
    // 摘要:
    //     Automatic page segmentation, but no OSD, or OCR.
    AutoOnly,
    //
    // 摘要:
    //     Fully automatic page segmentation, but no OSD.
    Auto,
    //
    // 摘要:
    //     Assume a single column of text of variable sizes.
    SingleColumn,
    //
    // 摘要:
    //     Assume a single uniform block of vertically aligned text.
    SingleBlockVertText,
    //
    // 摘要:
    //     Assume a single uniform block of text.
    SingleBlock,
    //
    // 摘要:
    //     Treat the image as a single text line.
    SingleLine,
    //
    // 摘要:
    //     Treat the image as a single word.
    SingleWord,
    //
    // 摘要:
    //     Treat the image as a single word in a circle.
    CircleWord,
    //
    // 摘要:
    //     Treat the image as a single character.
    SingleChar,
    SparseText,
    //
    // 摘要:
    //     Sparse text with orientation and script detection.
    SparseTextOsd,
    //
    // 摘要:
    //     Treat the image as a single text line, bypassing hacks that are specific to Tesseract.
    RawLine,
    //
    // 摘要:
    //     Number of enum entries.
    Count
}
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62

  Page类中通过调用GetText函数获取图片中所有识别出的汇总的文本，其还支持如下函数获取文本内容或文本区域信息，后续会继续学习其用法。

  采用Tesseract模块的基本用法得到的图片文字识别效果如下所示。大部分可以识别出来，但是识别带车牌的图片不管是Tesseract，还是之前的IronOCR和PaddleSharp，效果都比较差，不清楚是设置的问题，还是语言包用得不对。

参考文献
[1]https://github.com/charlesw/tesseract/
[2]https://github.com/tesseract-ocr/tesseract/tree/main/src
[3]https://www.sohu.com/a/722507167_121124363
[4]https://github.com/tesseract-ocr/tessdata/
[5]https://zhuanlan.zhihu.com/p/578700314