首先做一下背景介紹，Tesseract是一個開源的OCR組件，主要針對的是打印體的文字識別，對手寫的文字識別能力較差，支持多國語言（中文、英文、日文、韓文等）。是開源世界里最強的一款OCR組件。當然和世界最強的OCR工具Abbyy相比還是有一點差距，尤其在圖片質量較差時，差距還是明顯的。

　　網上有很多關于如何使用這個組件的介紹，不過都是針對英文識別的。而如果是對中文或日文等方塊字進行識別，除了需要使用不同的語言包外，還要對Tesseract做一些特別的設置，否則識別率會很低，以下我就和大家分享一下我使用Tesseract對日文做OCR的一些經驗。

第一步，是要下載Tesseract組件，最簡單的方法就是使用VisualStudio的NUGet來下載。選擇第一個組件。　　

第二步，下載日文語言包，由于在大陸地區無法訪問google，所以不能打開官網直接下載語言包。我給出文件的地址，可以使用迅雷下載。

http://tesseract-ocr.googlecode.com/files/tesseract-ocr-3.02.jpn.tar.gz

下載完成后將語言包文件解壓后放到tessdata文件夾下。

到目前為止，準備工作已經就緒，可以開始編寫代碼。

第三步，初始化Tesseract組件，代碼如下。

TesseractEngine engine = new TesseractEngine(@"tessdata文件夾路徑", "jpn", EngineMode.Default))

第四步，設置OCR參數，關于各參數的解釋，可以參照官網

Useful parameters for Japanese and Chinese

Some Japanese tesseract user found these parameters helpful for increasing tesseract-ocr (3.02) accuracy for Japanese :

Name	Suggested value	Description
chop_enable	T	Chop enable.
use_new_state_cost	F	Use new state cost heuristics for segmentation state evaluation
segment_segcost_rating	F	Incorporate segmentation cost in word rating?
enable_new_segsearch	0	Enable new segmentation search path. It could solve the problem of dividing one character to two characters
language_model_ngram_on	0	Turn on/off the use of character ngram model.
textord_force_make_prop_words	F	Force proportional word segmentation on all rows.
edges_max_children_per_outline	40	Max number of children inside a character outline. Increase this value if some of KANJI characters are not recognized (rejected).

以下是代碼　　　

engine.SetVariable("chop_enable ", "F");
engine.SetVariable("enable_new_segsearch", 0);
engine.SetVariable("use_new_state_cost ", "F");
engine.SetVariable("segment_segcost_rating", "F");
engine.SetVariable("language_model_ngram_on", 0);
engine.SetVariable("textord_force_make_prop_words", "F");
engine.SetVariable("edges_max_children_per_outline", 50);

這里面chop_enable參數與官網推薦的不太一樣，我發現按照官網的設置，會有很多文字識別不出來。

第五步，開始識別。

var page = engine.Process(p);
var testText = page.GetText();
var c=page.GetMeanConfidence();

第一行代碼返回一個Page對象，通過該對象可以獲得識別的文本，而且還可以獲得識別文本所在位置（這個在識別非固定模式文檔時非常有用，可以根據關鍵字動態查找識別字段位置）。
在例子中OCR做全文識別，但是做全文識別很多情況下識別質量一般，最好增加識別區域參數，同時將PageSegMode參數設置為PageSegMode.SingleBlock（代表多行大小相同的文字）或PageSegMode.SingleRow（代表單行大小相同的文字）。

第二行和第三行分別返回識別的文本與識別的信任度。在實際使用時我發現識別信任度不是特別有用。無論識別對錯，信任度基本在0.7左右，有些時候信任度較高，識別結果反而是錯誤的。

經過以上幾步，就可以完成日文的OCR。但要讓以上代碼成功運行，還必須要在安裝VC++運行時2012，否則會報錯。

我使用以上方法對掃描圖片進行測試，發現識別精確度還是比較高的，尤其在指定區域與PageSegMode參數后。但是日文字庫也存在一些低級失誤，如將數字“1”識別成了漢字“一”等。如果要想解決這個問題，必須要從頭訓練日文，這個工作量非常大！而這真的是Tesseract一個非常不智能的地方，應該支持在原有訓練字庫的基礎上追加訓練內容！或者在官網上提供Box文件和訓練用Tif供開發者下載。

總結

以上是生活随笔為你收集整理的如何用Tesseract做日文OCR（c#实现）的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。