C#AI系列(5): C#离线实现高效OCR

本文代码已开源，仅需关注 萤火初芒 公众号回复AISharp即可查看仓库地址，获取完整项目及模型数据，供学习交流使用，无套路（部分测试图片为网图，侵删）。
本文项目在笔记本电脑上（Windows, NET10, x64）就可以自己动手尝试OCR, 实现如身份证识别、截图文本识别、扫描图转pdf等功能。

一、OCR的实现基础

实现OCR，我们直接从Tesseract（Apache 2.0，star 71.4K）开始。Tesseract 是目前最活跃、最精确的开源 OCR（光学字符识别）引擎之一，由 Google 维护。它能把图片中的印刷或手写文字转换成可编辑的纯文本、PDF、HTML 等多种格式，支持包括中文等 100 多种语言。Tesseract 4 以后引入基于深度学习的 LSTM 神经网络模型，对整行文字进行识别，准确率大幅提升。
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。

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.    // 1. 创建引擎实例（参数：语言包、数据路径）
2.   using (var engine = new TesseractEngine(tessDataPath, "chi_sim + eng", EngineMode.LstmOnly))
3.   {                    
4.       // 2. 加载图像
5.        using (var img = Pix.LoadFromFile(imgPath))
6.       {
7.           // 3. 创建页面对象
8.           using (var page = engine.Process(img, PageSegMode.Auto))
9.           {
10.               // 4. 获取识别结果
11.               Console.WriteLine("识别结果：\n" + page.GetText());
12.           }
13.       }
14.   }

复制代码

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：

结果：

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

1. using (var iter = page.GetIterator())
2. {
3.     iter.Begin();
5.     do
6.     {
7.         do
8.         {
9.             do
10.             {
11.                 do
12.                 {
13.                     if (iter.IsAtBeginningOf(PageIteratorLevel.TextLine))
14.                     {
15.                         iter.GetImage(PageIteratorLevel.TextLine, 0,out var x,out var y);
16.                         Console.WriteLine($"<BLOCK> ({x},{y}): {iter.GetWordRecognitionLanguage()}");
18.                     }
20.                     Console.Write(iter.GetText(PageIteratorLevel.Word));
21.                     Console.Write(" ");
23.                     if (iter.IsAtFinalOf(PageIteratorLevel.TextLine, PageIteratorLevel.Word))
24.                     {
25.                         Console.WriteLine();
26.                     }
27.                 } while (iter.Next(PageIteratorLevel.TextLine, PageIteratorLevel.Word));
29.                 if (iter.IsAtFinalOf(PageIteratorLevel.Para, PageIteratorLevel.TextLine))
30.                 {
31.                     Console.WriteLine();
32.                 }
33.             } while (iter.Next(PageIteratorLevel.Para, PageIteratorLevel.TextLine));
34.         } while (iter.Next(PageIteratorLevel.Block, PageIteratorLevel.Para));
35.     } while (iter.Next(PageIteratorLevel.Block));
36. }

复制代码

效果如下：

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

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。

1. using (IResultRenderer renderer = Tesseract.PdfResultRenderer.CreatePdfRenderer(@"test.pdf", tessDataPath, false))
2. {
3.     // PDF Title
4.     using (renderer.BeginDocument("Serachablepdftest"))
5.     {
6.         using (TesseractEngine engine = new TesseractEngine(tessDataPath, "chi_sim+eng", EngineMode.Default))
7.         {
8.             using (var img = Pix.LoadFromFile(imgPath))
9.             {
10.                 using (var page = engine.Process(img, "Serachablepdftest"))
11.                 {
12.                     renderer.AddPage(page);
13.                 }
14.             }
15.         }
16.     }
17. }

复制代码

效果如下：

转成pdf文件后的文字拾取效果：

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。
感谢您的阅读，本案例及更加完整丰富的机器学习模型案例的代码已全部开源，关注公众号回复AISharp即可查看仓库地址，本期相关代码在仓库下面的OCRSharp文件夹里可以找到。

来源：程序园用户自行投稿发布，如果侵权，请联系站长删除
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！