使用tesseract分析屏幕矩形区域的步骤答案

【问题标题】：Steps to use tesseract to analyze rectangular area on screen使用tesseract分析屏幕矩形区域的步骤
【发布时间】：2014-03-02 22:09:28
【问题描述】：

我想使用 tesseract OCR 在 Visual Studio C# 上使用 c# 来获取屏幕矩形区域上的文本。

首先，让 tesseract 在 Visual Studio C# 中工作需要什么？我是使用 Visual Studio 和设置包装器的新手。在谷歌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。我还需要安装 windows tesseract-ocr 吗？

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

我假设这是声明 OCR 引擎的方法：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，然后将其保存为 .bmp 或 .tif。接下来，要使用引擎分析图像。engine.[unkwonapi](imagepath); //what is the api name going to be? I tried to look it up [here][2]. 或者，有人说可以用tesseract的api来实现，我们可以输入矩形区域的坐标。

【问题讨论】：

标签： c# ocr tesseract region

【解决方案1】：

包装器捆绑 Tesseract DLL（如 libtesseract302.dll）。不需要安装windows tesseract-ocr；事实上，您不应该这样做，因为它会干扰包装器。

您可以使用以下任一方法在图像上指定感兴趣区域：

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

或

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

【讨论】：

感谢您的回复。我可以将多少个参数传递给 Process()？有详细的文件可以看吗？另外，我将如何在 Process() 之后检索文本？
Process 返回一个Page 对象，您可以调用该对象来返回 OCRed 文本。检查项目的单元测试的使用情况。

【解决方案2】：

这是我的过程。我首先必须栅格化 PDF（这可能不是您的要求）

1.) 安装 Ghostcript 9.26 from here 更高版本不支持下一步

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

这是我的 PDF 光栅化例程，使用 Ghostscript.NET

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;
}

创建内存流列表后，我选择循环遍历它们并使用 Tesseract 对其中的一个矩形进行 OCR。如果你有很多文件要处理，你不应该一遍又一遍地调用引擎..你应该把它放在其他地方

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
}

【讨论】：