WindowsFormsTest/OCRTest

OCR 识别工具使用指南

📋 目录

• 快速开始
• 功能特性
• 安装配置
• 使用方法
• 自定义训练模型
• 性能优化
• 常见问题

---

🚀 快速开始

1. NuGet 包安装

在项目中安装以下 NuGet 包：

Install-Package Tesseract -Version 5.2.0
Install-Package OpenCvSharp4 -Version 4.8.0.20230708
Install-Package OpenCvSharp4.runtime.win -Version 4.8.0.20230708

2. 下载语言数据文件

从 Tesseract 官方仓库 下载需要的语言文件：

• 英文: eng.traineddata
• 简体中文: chi_sim.traineddata
• 繁体中文: chi_tra.traineddata

将下载的文件放入项目的 tessdata 文件夹中。

3. 基本使用

using OCRTest;

// 方式1：使用默认单例（推荐）
var ocrEngine = OCREngine.Instance;
var result = ocrEngine.RecognizeText("image.png");
Console.WriteLine($"识别结果：{result.Text}");
Console.WriteLine($"置信度：{result.Confidence}%");
Console.WriteLine($"耗时：{result.ElapsedMilliseconds}ms");

// 方式2：中英文混合识别
var ocrEngineChi = OCREngine.GetInstance("chi_sim+eng");
var result2 = ocrEngineChi.RecognizeText("image.png");

---

✨ 功能特性

核心功能

• ✅ 高性能识别：基于 Tesseract 5.x LSTM 引擎
• ✅ 多语言支持：支持 100+ 种语言
• ✅ 自定义训练：可训练专用模型提高特定场景准确率
• ✅ 图像预处理：自动灰度化、二值化、降噪
• ✅ 批量处理：支持批量图片识别
• ✅ 线程安全：单例模式，多线程安全访问
• ✅ 灵活配置：支持字符白名单、PSM 模式等高级配置

技术优势

• 🎯 准确率高：LSTM 深度学习模型
• ⚡ 速度快：优化的图像预处理流程
• 🔧 易扩展：模块化设计，易于定制
• 📊 可监控：提供置信度、耗时等指标

---

📦 安装配置

项目结构

OCRTest/
├── OCREngine.cs          # 核心引擎类
├── Program.cs            # 测试程序
├── tessdata/             # 语言数据文件夹
│   ├── eng.traineddata   # 英文模型
│   └── chi_sim.traineddata  # 简体中文模型
└── packages.config       # NuGet 包配置

配置文件示例

<!-- packages.config -->
<?xml version="1.0" encoding="utf-8"?>
<packages>
  <package id="Tesseract" version="5.2.0" targetFramework="net48" />
  <package id="OpenCvSharp4" version="4.8.0.20230708" targetFramework="net48" />
  <package id="OpenCvSharp4.runtime.win" version="4.8.0.20230708" targetFramework="net48" />
</packages>

---

💻 使用方法

1. 基础识别

// 创建引擎实例
var ocrEngine = OCREngine.Instance;

// 识别图片文件
OCRResult result = ocrEngine.RecognizeText("test.png");

if (result.Success)
{
    Console.WriteLine($"文本：{result.Text}");
    Console.WriteLine($"置信度：{result.Confidence:F2}%");
    Console.WriteLine($"耗时：{result.ElapsedMilliseconds}ms");
}
else
{
    Console.WriteLine($"错误：{result.Error}");
}

2. 自定义配置

var config = new OCRConfig
{
    Language = "eng",                    // 识别语言
    EngineMode = EngineMode.LstmOnly,    // 仅使用LSTM（更快）
    Whitelist = "ABCDEFGHIJKLMNOPQRSTUVWXYZ0123456789", // 字符白名单
    EnablePreprocessing = true,          // 启用预处理
    PageSegMode = PageSegMode.Auto       // 自动页面分割
};

var ocrEngine = OCREngine.GetInstance(config);
var result = ocrEngine.RecognizeText("test.png");

3. 从 Bitmap 识别

using (var bitmap = new Bitmap("test.png"))
{
    var result = ocrEngine.RecognizeFromBitmap(bitmap);
    Console.WriteLine(result.Text);
}

4. 批量识别

string[] imagePaths = {
    "image1.png",
    "image2.png",
    "image3.png"
};

var results = ocrEngine.RecognizeBatch(imagePaths);

for (int i = 0; i < results.Count; i++)
{
    Console.WriteLine($"图片{i+1}: {results[i].Text}");
}

5. 工业场景示例

// 场景：识别产品序列号（仅数字和字母）
var config = new OCRConfig
{
    Language = "eng",
    EngineMode = EngineMode.LstmOnly,
    Whitelist = "ABCDEFGHIJKLMNOPQRSTUVWXYZabcdefghijklmnopqrstuvwxyz0123456789-",
    EnablePreprocessing = true
};

var ocrEngine = OCREngine.GetInstance(config);

// 连续识别
while (true)
{
    var result = ocrEngine.RecognizeText("product_sn.png");
    
    if (result.Success && result.Confidence > 85)
    {
        Console.WriteLine($"序列号：{result.Text}");
        break;
    }
    
    Thread.Sleep(100);
}

---

🎓 自定义训练模型

为什么要训练自己的模型？

• 📈 提高特定场景准确率：如工业字体、特殊符号
• 🎯 减少误识别：通过白名单和专用模型
• ⚡ 提升识别速度：精简字符集
• 🔒 适应特殊需求：如手写体、艺术字

训练步骤

步骤 1：准备训练数据

1. 收集样本图片

   • 至少 100-500 张代表性图片
   • 覆盖所有需要识别的字符
   • 包含不同光照、角度、清晰度

2. 标注文本

   • 为每张图片创建对应的 .txt 文件

   • 文件名相同，扩展名不同

     sample001.png
     sample001.txt  (内容: "ABC123")
        
     sample002.png
     sample002.txt  (内容: "DEF456")
     

步骤 2：使用 jTessBoxEditor 工具

1. 下载工具

   • jTessBoxEditor

2. 生成 TIFF 训练文件

   • 打开 jTessBoxEditor
   • Tools → Merge TIFF
   • 选择所有样本图片
   • 输出为 myfont.exp0.tif

3. 标注校正

   • Box Editor → Open
   • 加载生成的 TIFF 文件
   • 逐张检查并修正识别框
   • 保存为 myfont.exp0.box

步骤 3：命令行训练

创建批处理文件 train.bat：

@echo off
set LANG=myfont
set TESSDATA_PREFIX=C:\path\to\tessdata

echo 步骤1: 生成训练文件...
tesseract %LANG%.exp0.tif %LANG%.exp0 batch.nochop makebox

echo 步骤2: 生成字符集...
tesseract %LANG%.exp0.tif %LANG%.exp0 nobatch box.train

echo 步骤3: 计算字符集...
unicharset_extractor %LANG%.exp0.box

echo 步骤4: 生成形状文件...
shapeclustering -F unicharset -O unicharset %LANG%.exp0.tr

echo 步骤5: 聚集字符...
mftraining -F unicharset -U unicharset -O myfont.unicharset %LANG%.exp0.tr

echo 步骤6: 合并字符...
cntraining %LANG%.exp0.tr

echo 步骤7: 重命名文件...
rename normproto myfont.normproto
rename inttemp myfont.inttemp
rename pffmtable myfont.pffmtable
rename shapetable myfont.shapetable

echo 步骤8: 组合训练数据...
combine_tessdata myfont.

echo 完成！生成 myfont.traineddata
pause

步骤 4：使用训练好的模型

// 将 myfont.traineddata 放入 tessdata 文件夹

var config = new OCRConfig
{
    Language = "myfont",  // 使用自定义模型
    EngineMode = EngineMode.LstmOnly,
    EnablePreprocessing = true
};

var ocrEngine = OCREngine.GetInstance(config);
var result = ocrEngine.RecognizeText("test.png");

在线训练工具推荐

1. Tesseract Training Tools

   • 官方训练工具集
   • 功能完整，文档齐全

2. OCR-D

   • 现代化训练流程
   • 支持深度学习

3. Transkribus

   • 图形化界面
   • 适合手写体训练

---

⚡ 性能优化

1. 引擎模式选择

// 最快：仅使用 LSTM
EngineMode.LstmOnly

// 平衡：LSTM + 传统引擎
EngineMode.Default

// 最准确：仅传统引擎（慢）
EngineMode.TesseractOnly

2. 图像预处理优化

var config = new OCRConfig
{
    EnablePreprocessing = true,  // 启用预处理
    // 预处理会自动进行：
    // - 灰度化
    // - 二值化（Otsu算法）
    // - 降噪
};

3. 字符白名单

// 限制识别字符范围，大幅提升速度和准确率
config.Whitelist = "0123456789";  // 仅数字
config.Whitelist = "ABCDEF0123456789";  // 十六进制

4. PSM 模式选择

// 根据版面选择合适的模式
PageSegMode.SingleLine          // 单行文本
PageSegMode.SingleWord          // 单个单词
PageSegMode.SingleChar          // 单个字符
PageSegMode.Auto                // 自动检测（默认）

5. 单例复用

// ✅ 推荐：复用引擎实例
var engine = OCREngine.Instance;
for (int i = 0; i < 1000; i++)
{
    var result = engine.RecognizeText($"image{i}.png");
}

// ❌ 不推荐：频繁创建销毁
for (int i = 0; i < 1000; i++)
{
    using (var engine = new TesseractEngine(...))
    {
        // ...
    }
}

6. 并行处理

// 批量并行识别
var imagePaths = Directory.GetFiles("images", "*.png");

Parallel.ForEach(imagePaths, path =>
{
    var result = OCREngine.Instance.RecognizeText(path);
    Console.WriteLine($"{Path.GetFileName(path)}: {result.Text}");
});

性能对比表

优化项	优化前	优化后	提升
引擎模式	Default	LstmOnly	30-50%
字符白名单	无	有限字符集	40-60%
图像预处理	无	启用	10-20% 准确率
单例复用	每次创建	复用实例	80-90%
并行处理	串行	Parallel	N倍（CPU核心数）

---

❓ 常见问题

Q1: 识别准确率低怎么办？

解决方案：

1. 启用图像预处理
2. 设置字符白名单
3. 使用更高分辨率图片（建议 300 DPI 以上）
4. 训练专用模型

5. 调整 PSM 模式

   var config = new OCRConfig
   {
   EnablePreprocessing = true,
   Whitelist = "你的字符集",
   PageSegMode = PageSegMode.SingleLine  // 根据实际调整
   };
   

Q2: 如何识别中文？

步骤：

1. 下载 chi_sim.traineddata（简体）或 chi_tra.traineddata（繁体）
2. 放入 tessdata 文件夹

3. 使用：

   var engine = OCREngine.GetInstance("chi_sim");  // 简体中文
   var engine = OCREngine.GetInstance("chi_sim+eng");  // 中英混合
   

Q3: 内存占用过高？

解决方案：

// 定期清理不用的实例
OCREngine.Cleanup();

// 或使用 using 语句
using (var engine = OCREngine.GetInstance("eng"))
{
    // 使用后自动释放
}

Q4: 如何提高识别速度？

优化方案：

1. 使用 EngineMode.LstmOnly
2. 设置字符白名单
3. 降低图片分辨率（不低于 200 DPI）
4. 裁剪无关区域
5. 使用 SSD 存储 tessdata

Q5: 支持哪些语言？

完整语言列表见 Tesseract 语言包

常用语言代码：

• eng - 英语
• chi_sim - 简体中文
• chi_tra - 繁体中文
• jpn - 日语
• kor - 韩语
• deu - 德语
• fra - 法语

Q6: 如何处理倾斜图片？

方案：

// 使用 OpenCvSharp 进行矫正
using (var src = Cv2.ImRead("image.png"))
{
    // 检测倾斜角度
    // 旋转矫正
    // 然后传入 OCR 引擎
    var result = ocrEngine.RecognizeFromBitmap(src.ToBitmap());
}

---

📞 技术支持

• Tesseract 官方文档: https://tesseract-ocr.github.io/
• GitHub 仓库: https://github.com/tesseract-ocr/tesseract
• 问题反馈: 提交 Issue 到项目仓库

---

📄 许可证

本项目使用的 Tesseract OCR 遵循 Apache 2.0 许可证。

---

祝使用愉快！ 🎉