【框架地址】

https://github.com/charlesw/tesseract
【算法介绍】

Tesseract OCR是一个开源的光学字符识别引擎，它可以将图像中的文字转换成可编辑和可搜索的文本格式。Tesseract由惠普实验室于1985年开始开发，并在2005年被Google收购后成为了开源项目。自那时起，它一直在不断的更新和改进，成为了世界上最流行的OCR引擎之一。

核心技术

Tesseract利用了机器学习的方法，特别是在其后期版本中引入了基于长短时记忆（LSTM）网络的深度学习模型，这显著提高了其对文字的识别能力。Tesseract的OCR过程大致可以分为几个阶段：预处理、文字检测、文字分割、文字识别和后处理。

特点

多语言支持

Tesseract支持100多种语言的文字识别，包括多种字母和符号系统。用户可以根据需要下载和使用特定语言的训练数据。

灵活的预处理

虽然Tesseract本身提供了一些基本的图像预处理功能，但它也允许用户使用其他图像处理工具进行高级预处理，从而提高识别准确率。

可定制性

Tesseract允许用户通过训练自己的模型来优化识别结果，这对于专门的应用或不常见的字体类型尤其有用。

开源和免费

作为一个开源项目，Tesseract不仅免费使用，而且还鼓励开发者参与贡献，这使得它得到了广泛的社区支持和持续的改进。

应用场景

Tesseract OCR可以应用于多种文本识别场景，如：

• 文档数字化：将纸质文档转化为电子文档，便于存储、检索和编辑。
• 自动化数据录入：在行业如银行、保险等领域自动化处理表格、发票等文档。
• 车牌识别：在交通管理和自动化停车系统中用于车牌号的识别。
• 辅助阅读：帮助视力障碍人士读取各种印刷材料。

技术优势

成熟稳定

作为一个长期存在且经过广泛测试的项目，Tesseract的稳定性和可靠性得到了公认。

社区活跃

Tesseract有一个非常活跃的开源社区，不断提供bug修复、功能更新和支持。

可扩展性

Tesseract的设计使其可以轻松集成到其他应用程序中，并且可以通过插件或脚本扩展功能。

尽管Tesseract在某些复杂场景下的识别准确率可能不及专业的商业OCR软件，但其开源免费的特性以及不断进步的技术，使其在许多情况下仍然是首选的OCR工具。

【效果展示】

【官方实现部分代码】

Basic Text from Image from filepath
from Tesseract.ConsoleDemo/Program.cs
using (var engine = new TesseractEngine(@"./tessdata", "eng", EngineMode.Default)){using (var img = Pix.LoadFromFile(testImagePath)){using (var page = engine.Process(img)){var text = page.GetText();Console.WriteLine("Mean confidence: {0}", page.GetMeanConfidence());Console.WriteLine("Text (GetText): \r\n{0}", text);Console.WriteLine("Text (iterator):");}}}
Basic Text from Image bytes
FileStream fs = new FileStream(filename, FileMode.Open, file_access);
var ms = new MemoryStream();
fs.CopyTo(ms);
fs.Close();
bytes[] fileBytes = ms.ToArray();
ms.Close();
using (var engine = new TesseractEngine(@"./tessdata", "eng", EngineMode.Default)){using (var img = Pix.LoadFromMemory(fileBytes)){using (var page = engine.Process(img)){var txt = page.GetText();}}}
Image to txt searchable pdf using paths
using (IResultRenderer renderer = Tesseract.PdfResultRenderer.CreatePdfRenderer(@"test.pdf", @"./tessdata", false)){// PDF Titleusing (renderer.BeginDocument("Serachablepdftest")){string configurationFilePath = @"C:\tessdata";using (TesseractEngine engine = new TesseractEngine(configurationFilePath, "eng", EngineMode.TesseractAndLstm)){using (var img = Pix.LoadFromFile(@"C:\file-page1.jpg")){using (var page = engine.Process(img, "Serachablepdftest")){renderer.AddPage(page);}}}}}
Image to pdf returning file bytesvar tmpPdfLocation = "./tessdata/pdf";var sep = Path.PathSeparator;var tmpFile = tmpPdfLocation + sep + Path.GetTempFileName();bytes[] fileBytes = null;using (IResultRenderer renderer = Tesseract.PdfResultRenderer.CreatePdfRenderer(tmpFile, @"./tessdata", false)){// PDF Titleusing (renderer.BeginDocument("Serachablepdftest")){// string configurationFilePath = @"C:\tessdata";using (TesseractEngine engine2 = new TesseractEngine(configurationFilePath, "eng", EngineMode.TesseractAndLstm)){using (var img = Pix.LoadFromFile(@"C:\file-page1.jpg")){using (var page = engine.Process(img, "Searchablepdftest")){renderer.AddPage(page);}}}}}// on dispose file should be createdvar stream = new FileStream(tmpFile, FileMode.Open, FileAccess.Read);MemoryStream ms = new MemoryStream();stream.CopyTo(ms);fileBytes = ms.ToArray();stream.Dispose();ms.Close();// delete tmp fileFile.Delete(tmpFile);

【视频演示】

https://www.bilibili.com/video/BV1uT4y1n7SK/
【源码下载】
【测试环境】

vs2019

netframework4.7.2