簡介
光學字符識別(OCR,Optical Character Recognition)是指對文本資料進行掃描，然后對圖像文件進行分析處理，獲取文字及版面信息的過程。OCR技術非常專業，一般多是印刷、打印行業的從業人員使用，可以快速的將紙質資料轉換為電子資料。關於中文OCR，目前國內水平較高的有清華文通、漢王、尚書，其產品各有千秋，價格不菲。國外OCR發展較早，像一些大公司，如IBM、微軟、HP等，即使沒有推出單獨的OCR產品，但是他們的研發團隊早已掌握核心技術，將OCR功能植入了自身的軟件系統。對於我們程序員來說，一般用不到那么高級的，主要在開發中能夠集成基本的OCR功能就可以了。
Tesseract概述
Tesseract的OCR引擎最先由HP實驗室於1985年開始研發，至1995年時已經成為OCR業內最准確的三款識別引擎之一。然而，HP不久便決定放棄OCR業務，Tesseract也從此塵封。數年以后，HP意識到，與其將Tesseract束之高閣，不如貢獻給開源軟件業，讓其重煥新生－－2005年，Tesseract由美國內華達州信息技術研究所獲得，並求諸於Google對Tesseract進行改進、消除Bug、優化工作。Tesseract目前已作為開源項目發布在Google Project(現已托管 github)，其項目主頁在這里查看，3.0版本已經支持中文OCR，並提供了一個命令行工具。主庫地址。
1、引用Tesseract
1.1、創建空的項目解決方案
創建成功后分別創建兩個空的項目解決方案文件夾 WinformDemo 跟 TesseractWeb
1.2、winform配置跟源碼
創建window窗體應用程序，使用 Nuget 添加 Tesseract ，搜索 tesseract-ocr ，現在最新版本是 3.2.0-alpha4，這里演示使用的是 3.0.2 穩定版 。如下圖所示，選擇所需要的版本安裝即可。
安裝完成后再項目中會添加如下兩個文件夾
圖片上傳參考：http://www.cnblogs.com/miskis/p/7607024.html
語言文件下載地址：https://github.com/tesseract-ocr/tesseract/wiki/Data-Files#data-files-for-version-302
我使用的是英語語言包
下載后解壓文件找到 tessdata 把它拷貝到你的項目中
后台代碼：
private void button1_Click(object sender, EventArgs e) { if (openFileDialog.ShowDialog() == DialogResult.OK) { //PictureBox控件顯示圖片 Image.Load(openFileDialog.FileName); //獲取用戶選擇文件的后綴名 string extension = Path.GetExtension(openFileDialog.FileName); //聲明允許的后綴名 string[] str = new string[] { ".jpg", ".png" }; if (!str.Contains(extension)) { MessageBox.Show("僅能上傳jpg,png格式的圖片！"); } else { //識別圖片文字 var img = new Bitmap(openFileDialog.FileName); var ocr = new TesseractEngine("./tessdata", "eng", EngineMode.TesseractAndCube); var page = ocr.Process(img); label1.Text = page.GetText(); } } }
效果如下：
可以看出沒有干擾線的識別還是很准確。