這玩意兒就只有一個Tesseract.dll 就算有其它的加上x64目錄下的另外兩個dll leptonica-1.80.0.dll tesseract41.dll也不過幾兆而已，但是 但是 但是 加上字庫文件可就大了 幾十兆 。也充分說明了這玩意兒跟我原先說的一樣的主要在於字庫的匹配。如果只識別數字英文這種 那你調用百度的庫反而是個大包袱還必須聯網，近期聽到一段話 世界上本沒有標准件 行業形成了也就有了標准件。資本主義國家形成了標准件 於是我們也就只有在別人的框框里鑽來鑽去 始終跳不出這個圈兒，如果你明白原理的話就知道其實是不需要標准件的，造輪子才有樂趣嘛，哇哈哈哈。
使用過程還是很簡單的。首先使用nu-get安裝Tesseract ，注意搜索的時候標題是tesseract 然后 作者是charles weld 版本是v4.1.1的那個 不要弄錯了，我的項目.NetFramework框架是4.0 安裝完成后會自動為我們添加tesseract的引用。然后網上隨意抄一段函數，功能是給一個圖片調用引擎識別圖片里的文字：
1 private List<string> GetProductNumberFromImage(string imagePath) 2 { 3 List<string> resultList = new List<string>();//chi_sim 4 //using (var ocr = new TesseractEngine(System.IO.Path.Combine(AppDomain.CurrentDomain.BaseDirectory, "tessdata"), "normal", EngineMode.Default)) 5 using (var ocr = new TesseractEngine(System.IO.Path.Combine(AppDomain.CurrentDomain.BaseDirectory, "tessdata"), "eng", EngineMode.Default)) 6 { 7 //ocr.SetVariable("tessedit_char_whitelist", "0123456789ABCDEFGHIJKLMNOPQRSTUVWXYZabcdefghijklmnopqrstuvwxyz");// 8 var pix = PixConverter.ToPix(new Bitmap(imagePath)); 9 using (var page = ocr.Process(pix)) 10 { 11 string text = page.GetText(); 12 if (!string.IsNullOrEmpty(text)) 13 { 14 resultList.Add(text); 15 16 } 17 } 18 } 19 return resultList; 20 }
還是那句話 遇事先冷靜想想為什么總是有好處的。demo運行不起的時候 仔細看代碼tessdata的字符 噢 原來如此 嘗試下吧，需要事先下載名為eng.traineddata的語言文件置於你編譯好的執行文件目錄下的tessdata目錄,果然。
還可以使用此語句預定義識別內容
1 ocr.SetVariable("tessedit_char_whitelist", "0123456789ABCDEFGHIJKLMNOPQRSTUVWXYZabcdefghijklmnopqrstuvwxyz");
在數字和英文的情況下識別率還可以的。中文的話就有些慘了。
於是我們需要進行校正 ，說實話校正的過程比上面麻煩多了 又要敲命令又要咋的 麻煩的一逼，需要用到一堆工具。
這些打成包的工具在此地址下載https://sourceforge.net/projects/vietocr/
下載好后我們參照這篇文章進行實施https://www.cnblogs.com/wzben/p/5930538.html
大概過程就是用工具敲dos命令生成box文件 其實也就是一個帶方框的字體描述文件 告訴你系統目前是怎樣識別的，然后用一個GUI工具 jTessBoxEditor 在界面上對文本的寬高 框選范圍調整 對應哪個漢字 進行校正。
當我運行train.bat 運行不起的時候彈出 Windows找不到javaw 的時候咋辦啊 不要去糾字面意思 ，估計是需要安裝jdk吧 嘗試一下安裝jdk8 果然如此。訓練字庫的過程中 報錯了 Failed to load font_properties from font_properties ，找到一篇博文 https://blog.csdn.net/dragoo1/article/details/8439272 大概看了下沒錯就是他了 照着實施 bingo 搞定。
能夠進行到這一步說明你還能不厭其煩，還能清晰思考說明你是個合格的程序員。 稍微注意下你會發現問題的關鍵那就是對於漢字的 寬高判別 和部首偏旁偏旁的區域歸並 識別引擎很難判定，該框選的不作為一個字單位處理，不該框選的多框 ，這個對識別率影響很大。就連調用微軟office的MODI漢字識別率也不見得多高。關鍵點就在於每單位字寬高的智能判斷，相信百度那些也只不過針對這些點進行解決了的而已。用的是別人的引擎即使開源的這復雜度 字單位寬高智能判斷我們是改不動的 這里我們只是按部就班的進行模板訓練 以提高識別率。
經歷一些麻煩的校正和命令操作得到一個normal.traineddata 文件 ，復制到debug下的tessdata目錄。注意字庫載入代碼更改成normal。
1 using (var ocr = new TesseractEngine(System.IO.Path.Combine(AppDomain.CurrentDomain.BaseDirectory, "tessdata"), "normal", EngineMode.Default))
實際上基於模板匹配的這種規規矩矩的OCR已經是非常非常基礎的了，畢竟Tesseract-OCR那只有幾兆的體積 連我上面說的文本行檢測 漢字智能切割 這種都沒有 也有可能是我沒找到使用方式 谷歌維護的還支持深度學習應該還是可以的 ，但是目前就我的使用感來說的話一般般只是一個將就用了。 把他吹的多么好又是開源的 因為基本上何耐市面上一個能用的免費的了 其它的已經是垃圾中的垃圾了，其它的商用的別人也不會拿出來給免費用的你說對吧
再次測試稍許提高了識別率，好，zhongguo特色的"差不多任務"差不多先生，成功達成任務目標。交差了事
最后：我們自己訓練了一個庫，然后有從官網下載好的默認的庫。如果上面一折騰不就只能使用我們自己訓練的那幾個字了嗎，豈不是識別率更低 要這樣還不如不訓練呢，對於這一點網上的所有帖子都沒做一個明確的說明 很扯淡。通過下面的初始化方式就能你自己的庫+官方字庫一起使用，normal是你上面訓練出的字庫的名稱，本人親測有效。
1 using (var ocr = new TesseractEngine(System.IO.Path.Combine(AppDomain.CurrentDomain.BaseDirectory, "tessdata"), "normal+eng", EngineMode.Default))
最后在生產實測中遇到了不少坎坷 憋出了一身汗，好歹還是解決了，事實證明幸好沒用office的OCR識別 要不然真掛了 黑盒特性太嚴重了。這個雖然也很一般但是好歹還是有些可自定義化的參數選項 有實際測量值的結果供你篩選 。打個比方比如加一個自定義邏輯 識別對象的寬高小於多少 我們認為它是一個噪點 把它忽略。還有在最后的測試中為了讓容錯率大點避免識別失敗 把模板字庫的每個字弄得很胖 結果經常出現識別錯誤比如3識別成9， 最后實踐的經驗證明取一個“合體”的字模可以讓識別率提高 。
幾經調校 加入了更精細化的識別過程控制 還是基本能夠滿足生產環境需求。
以此經驗分享給盆友們願大家少走一些彎路。