使用EmguCV集成的Tesseract-OCR進行光學字符識別

開源代碼：https://github.com/tesseract-ocr/tesseract

簡述：之前是惠普開發的，並在2005年開源出來，2006年，谷歌接手維護。在光學字符識別上算是一個不錯的算法，而且還是開源的。開源項目中有詳細的使用說明書供大家參考，可以仔細查閱，說不定有意外的的收穫呢。另外，EmguCV集成了該算法，這對使用C#語言的人來說是一種福音，資源文件需要去官網下載，下載速度挺慢的，有需要可在下方鏈接進行下載：
https://download.csdn.net/download/IT_BOY__/12009964

調用的核心代碼：

using Emgu.CV;
using Emgu.CV.OCR;
using Emgu.CV.Structure;
using Emgu.CV.CvEnum;
using System.Xml;

/// <summary>
/// 返回識別結果的置信度
/// </summary>
/// <param name="fileImagePath">圖片路徑</param>
public static void GetConfidence(string fileImagePath)
{
    XmlDocument doc = new XmlDocument();//新建對象
    //Tessdata 爲資源路徑
    _ocr = new Tesseract(@"Tessdata", "eng", OcrEngineMode.TesseractOnly);
    _ocr.SetVariable("tessedit_char_whitelist", "qwertyuioplkjhgfdaazxcvb0123456789");
    DirectoryInfo TheFolder = new DirectoryInfo(fileImagePath);
    foreach (FileInfo NextFile in TheFolder.GetFiles())
    {
        Image<Gray, Byte> image = new Image<Gray, byte>(NextFile.FullName);
        _ocr.SetImage(image);
        _ocr.Recognize();
        string s1 = _ocr.GetHOCRText();  //獲得置信度相關的xml字符串，emgucv-4.1版本有該方法
        // 從文件載入
        //doc.Load(path);
        // 從字符串載入
        doc.LoadXml(s1);
        try
        {
            var elem = doc.FirstChild.FirstChild.FirstChild.FirstChild.FirstChild;
            // 解析x_wconf
            string x_wconf = elem.Attributes["title"].Value.Split(';')[1].Trim().Split()[1];
            // 解析值
            string value = elem.InnerText;
            Log.log("file path:", NextFile.FullName, "   x_wconf", x_wconf, "  value", value);
        }
        catch (Exception ex)
        {
        }
    }
}

XML樣例如下：

<div class='ocr_page' id='page_1' title='image ""; bbox 0 0 26 39; ppageno 0'>
   <div class='ocr_carea' id='block_1_1' title="bbox 2 6 26 34">
    <p class='ocr_par' id='par_1_1' lang='eng' title="bbox 2 6 26 34">
     <span class='ocr_line' id='line_1_1' title="bbox 2 6 26 34; baseline 0 -7; x_size 41; x_descenders 8; x_ascenders 11">
      <span class='ocrx_word' id='word_1_1' title='bbox 2 6 26 34; x_wconf 69'><strong>4</strong></span>
     </span>
    </p>
   </div>
  </div>

總結：本文探索的是英文字符識別，識別效果很不錯，畢竟是別人老外的東西。其實Tesseract-OCR也可以識別中文，識別效果有待驗證。在計算機視覺領域，需要不斷地學習和積累優秀的經典算法，持續學習，多閱讀英文資料，這樣才能不斷增強自己的競爭力。