. NET中用Tesseract识别图片文字的超详细实战教程

第一步：把“基础零件”备齐——环境配置和依赖安装

要让Tesseract在.NET里跑起来，得先解决两个核心问题：选对依赖包，放对语言包。这两步要是错了，后面再怎么写代码都是白搭。

首先说NuGet包的选择。目前.NET生态里常用的Tesseract包有两个：Tesseract.NET.SDK和NetStandard.Tesseract。我当时选了Tesseract.NET.SDK（版本4.1.1），原因很简单——它对.NET Core/.NET 5+的支持更稳定，而且文档里有完整的.NET示例。你在NuGet管理器里搜“Tesseract.NET.SDK”，直接安装最新稳定版就行。别选太新的预发布版，我朋友一开始选了5.0.0-preview，结果运行时报“无法加载DLL”的错误，退回到4.1.1就好了。

然后是语言包的下载和放置。Tesseract本身不自带中文识别能力，得单独下载“训练数据”——也就是能让它认识中文的“字典”。你要去GitHub的tesseract-ocr/tessdata仓库（https://github.com/tesseract-ocr/tessdatanofollow），找chi_sim.traineddata文件（chi_sim是“简体中文”的缩写）。下载完后，在你的.NET项目里建一个叫“tessdata”的文件夹，把这个文件放进去。关键中的关键：右键点击这个文件，选择“属性”，把“复制到输出目录”改成“始终复制”——我当时没做这一步，结果程序运行时报“Could not find language data file ‘chi_sim’”，查了半小时日志才发现：编译后的程序目录里根本没有tessdata文件夹！

最后检查环境：你的项目得是.NET Core 3.1及以上，或者.NET Framework 4.6.1及以上——这是Tesseract.NET.SDK的最低要求。要是你用的是更老的.NET版本，得换NetStandard.Tesseract，但功能会少一点。

第二步：写能直接跑的代码——从读取图片到输出文字

基础准备好后，代码其实很简单，但要注意“细节决定成败”。我把朋友系统里的核心代码拆成了4步，每一步都给你讲清楚“为什么要这么写”。

首先得把要识别的图片读到程序里。.NET里常用Image.FromFile()或者new Bitmap()，我推荐用Bitmap——因为Tesseract的引擎对Bitmap类型的兼容性更好，尤其是处理PNG、JPG这类常见格式时，不容易报“不支持的图片格式”错误。代码长这样：

// 假设图片路径是"D:\test.png"
var imagePath = @"D:test.png";
using var bitmap = new Bitmap(imagePath);

注意：要用using语句包裹Bitmap，不然会占用内存不释放——我朋友的系统一开始没加using，跑了一天后内存占了2G，查内存泄漏才发现是Bitmap没释放。

接下来要创建Tesseract的引擎实例，这一步决定了它能不能“认识”中文。代码是：

// 语言包路径：就是我们建的tessdata文件夹（编译后会复制到输出目录）
var tessDataPath = Path.Combine(AppDomain.CurrentDomain.BaseDirectory, "tessdata");
// 初始化引擎：语言选"chi_sim"（简体中文），模式用Auto（自动检测页面布局）
using var engine = new TesseractEngine(tessDataPath, "chi_sim", EngineMode.Auto);

这里要讲两个关键点：

引擎初始化后，就能让它“读”图片了。代码很简单：

using var page = engine.Process(bitmap);
var resultText = page.GetText();

但不要直接用原始图片！我当时用一张模糊的快递单测试，直接识别出来的文字全是乱码，后来做了“预处理”才好——Tesseract对清晰、高对比度的图片最敏感。常见的预处理方法有三个：

给你个预处理的完整例子：

// 放大图片2倍
var scaledBitmap = new Bitmap(bitmap, new Size(bitmap.Width  2, bitmap.Height  2));
// 转灰度
var grayscaleBitmap = scaledBitmap.ToGrayscale();
// 二值化（阈值设为128，超过的变白色，低于的变黑色）
var thresholdFilter = new AForge.Imaging.Filters.Threshold(128);
var binaryBitmap = thresholdFilter.Apply(grayscaleBitmap as Bitmap);
// 用处理后的图片识别
using var page = engine.Process(binaryBitmap);
var resultText = page.GetText();

最后一步是获取识别结果。page.GetText()会返回识别到的所有文字，包括换行符。但要注意：如果图片里没有可识别的文字，它会返回空字符串，所以要加个判断：

if (!string.IsNullOrEmpty(resultText))
{
 Console.WriteLine("识别结果：" + resultText);
}
else
{
 Console.WriteLine("没识别到任何文字");
}

我朋友的系统里，把识别结果存进了数据库，还加了“置信度”判断——page.GetMeanConfidence()会返回0-100的数值，代表识别的可信度。比如置信度低于70%的结果，会标记为“需要人工审核”，这样就不会把错误的文字放进系统里。

那些能提升识别率的“隐藏技巧”

最后给你分享3个我在实战中 的“小秘诀”，能让你的识别率再上一个台阶：

最后给你一张常见问题对照表，遇到问题直接查：

你要是按这些步骤试了，不管是做物流系统的快递单识别，还是做教育系统的试卷识别，都能跑通。我朋友的系统现在每天能自动识别500多单，省了两个客服的工作量——你也能做到。要是遇到了新问题，或者识别率提升了，记得在评论区告诉我，我帮你看看。

YUANLEISVIP

收藏 链接