C#光学字符识别(OCR)入门实战：从零构建高效文本识别系统

1次阅读

没有评论

共计 2018 个字符，预计需要花费 6 分钟才能阅读完成。

在现代软件开发中，OCR（光学字符识别）技术已经成为解决文本自动化处理的关键。无论是文档管理系统中的扫描件解析、自动化测试中的验证码识别，还是金融领域的票据处理，OCR 都能大幅提升工作效率。

但实际开发中我们常遇到这些痛点：

识别准确率受图像质量影响大，特别是低分辨率或倾斜文本
多语言支持需要额外配置语言包，增加部署复杂度
性能问题在处理批量文档时尤为明显
云服务 API 调用成本在长期运行场景下可能很高

Tesseract 是目前最成熟的开源 OCR 引擎，通过 TesseractSharp 可以在 C# 中轻松集成：

优势：免费、可离线使用、支持 100+ 种语言
局限：原始图像需预处理、复杂版式识别效果一般
实测数据：处理标准 A4 文档约 200-500ms（i5-8250U）

云服务提供了开箱即用的解决方案：

Azure Cognitive Services 按每千次调用计费（约 $1.5/ 千次）
AWS Textract 更适合表格类文档，但价格更高
适合场景：临时性需求、不愿维护 OCR 基础设施

通过 ONNX 运行时部署预训练模型：

优势：平衡了性能和隐私需求
典型模型：PaddleOCR 提供的 ONNX 模型
实测内存占用：约 300MB/ 进程

首先通过 NuGet 安装依赖：

dotnet add package TesseractSharp --version 2.4.1
dotnet add package OpenCvSharp4

using TesseractSharp;
using OpenCvSharp;

// 1. 图像预处理
using var src = Cv2.ImRead("invoice.jpg", ImreadModes.Grayscale);
Cv2.Threshold(src, src, 0, 255, ThresholdTypes.Otsu); // 二值化
Cv2.MedianBlur(src, src, 3); // 中值滤波降噪

// 2. 初始化 OCR 引擎
using var engine = new TesseractEngine(@"./tessdata", "eng+chi_sim", 
    EngineMode.LstmOnly);
engine.SetVariable("tessedit_pageseg_mode", "6"); // PSM 模式 6: 假设统一方向的文字块

// 3. 执行识别
using var page = engine.Process(src);
var text = page.GetText();
var confidence = page.GetMeanConfidence();

// 4. 结果后处理
if(confidence > 0.7) {var filteredText = Regex.Replace(text, @"[^\w\s]", "");
    Console.WriteLine(filteredText);
}

PSM 模式：建议根据文档类型选择
1-3：面向单行 / 单词识别
6：统一方向的多行文本（最常用）
11：稀疏文本识别
语言包：多个语言用 + 连接，如 ”eng+chi_sim”
置信度阈值：通常 0.7 以上结果可用

// 使用 Parallel.For 处理多个文件
var options = new ParallelOptions {MaxDegreeOfParallelism = 4};
Parallel.For(0, files.Length, options, i => {ProcessSingleFile(files[i]);
});