Question

我想使用tesseract OCR在Visual Studio C＃上使用c＃在屏幕的矩形区域上获取文本。

首先，在Visual Studio C＃中使用tesseract需要什么？我是新手使用Visual Studio并设置包装器。在Google上搜索了几个小时后，我发现我需要：a wrapper(charlesw)，一个来自官方网站的语言包。我是否还需要安装windows tesseract-ocr？

我已经按照charlesw的GitHu上的步骤在我的项目中设置了包装器。但是，我仍然不确定如何使用这些功能。

我假设这是如何声明OCR引擎：TesseractEngine engine = new TesseractEngine(@"./tessdata", "eng", EngineMode.Default);

要分析屏幕上的矩形区域，我可以捕获某个区域的屏幕，然后将其保存在.bmp或.tif中。接下来，使用引擎分析图像。engine.[unkwonapi](imagepath); //what is the api name going to be? I tried to look it up [here][2]. 或者，有些人说可以通过使用tesseract的api来完成，我们可以输入矩形区域的协调。

Answer 1

包装器捆绑Tesseract DLL（作为libtesseract302.dll）。你不需要安装windows tesseract-ocr;事实上，你不应该，因为它可以干扰包装。

您可以使用以下任一方法在图像上指定感兴趣的区域：

engine.Process(Bitmap image, Rect region, PageSegMode? pageSegMode = null)

或

engine.Process(Pix image, Rect region, PageSegMode? pageSegMode = null)

Answer 2

这是我的过程。我首先必须将PDF栅格化（可能不是您的要求）

1。）安装Ghostcript 9.26 from here更高版本无法进行下一步

2。）安装Ghostscript.NET NuGet Install-Package Ghostscript.NET -Version 1.2.1

3。）安装Tesseract NuGet Install-Package Tesseract -Version 3.3.0

这是我使用Ghostscript.NET的PDF栅格化例程

public static List<MemoryStream> GetPdfImages(FileInfo pdfFile, DirectoryInfo workingDir, string fileNamingToken, TextWriter _logger)
{
    int desired_x_dpi = 150;
    int desired_y_dpi = 150;

    string inputPdfPath = pdfFile.FullName;
    var streams = new List<MemoryStream>();
    using (var rasterizer = new GhostscriptRasterizer())
    {
    GhostscriptVersionInfo gsVersionInfo = GhostscriptVersionInfo.GetLastInstalledVersion(GhostscriptLicense.GPL | GhostscriptLicense.AFPL, GhostscriptLicense.GPL);

    try
    {
        rasterizer.Open(inputPdfPath, gsVersionInfo, true);
    }
    catch (Ghostscript.NET.GhostscriptAPICallException exc)
    {
        _logger.WriteLine("There is an issue with this version of Ghostscript or how Ghostscript was installed. As of Winter 2020, GS 9.26 will work the best with Ghostscript.NET");
    }
    for (var pageNumber = 1; pageNumber <= rasterizer.PageCount; pageNumber++)
    {

        var memoryStrm = new MemoryStream();

        var img = rasterizer.GetPage(desired_x_dpi, desired_y_dpi, pageNumber);
            //save to a memory stream to be returned
        img.Save(memoryStrm, System.Drawing.Imaging.ImageFormat.Tiff);
            //or save to the file system to see how well it's working
        img.Save($"{workingDir.FullName}\\{fileNamingToken}_{pageNumber}.TIF");
        _logger.WriteLine($"Image Dimensions: {img.Width} x {img.Height}");
        streams.Add(memoryStrm);
    }
    }
    return streams;
}

一旦我创建了一个内存流列表，我选择遍历它们，并使用Tesseract对它们进行OCR矩形处理。如果您有很多文件要处理，则不应该一遍又一遍地调用引擎..您应该将引擎放在其他地方

var _engine = new TesseractEngine("./tessdata", "eng", EngineMode.Default, "letters");

var topHalfPageRect = Rect.FromCoords(1, 1, 1275, 825);//at 150 DPI, get top of 8.5x11 page

for(int i =0;i< _streams.Count;i++)
{
   var imgStm = _streams[i];//my list of memorystreams created by Ghostcript 9.26

   imgStm.Position = 0;//set memorystream playhead back to start

    using (var imageWithText = Pix.LoadTiffFromMemory(imgStm.ToArray()))
    {
      using (var page = _engine.Process(imageWithText, topHalfPageRect , PageSegMode.SparseText))
      {
        var text = page.GetText();
        var processedText = text.Replace("\n", "").Trim();
        Console.WriteLine(processedText);

        if (MyRegexPatterns.Pattern1.IsMatch(processedText))
        {
          Console.WriteLine("*** FOUND IT!! ***");
        }
       }
    
   }

   imgStm.Dispose();//but not matter what, disppose of the stream now
}

使用tesseract分析屏幕上的矩形区域的步骤

2 个答案: