【C#】Tesseract.Net SDK使って文字読み取って認識する【OCR】

目次

準備

NugetからTesseract.Net SDKを取ってきます。

以下のusingディレクティブを追加します。

using Patagames.Ocr;
using Patagames.Ocr.Enums;

英語の読み取り

コード例：

using System;
using Patagames.Ocr;
using Patagames.Ocr.Enums;

namespace OCRTest
{
    class Program
    {
        static readonly string filepath = @"C:\Users\xxxxx\Desktop\sample.png";

        static void Main(string[] args)
        {
            using (var api = OcrApi.Create())
            {
                api.Init(Languages.English);
                string plainText = api.GetTextFromImage(filepath);
                Console.WriteLine(plainText);
            }
            Console.ReadLine();
        }
    }
}

結果（上が読み取る画像、下が読み取った文字列）

だいたいあってます。
中途半端な位置に配置するとうまく読み取ってくれないようです。（Go is Godが分離してる）

日本語の読み取り

日本語はここから学習データをDLします。
それをソリューションフォルダ＞プロジェクトフォルダ＞binフォルダ＞Debug/Releaseフォルダのtessdataフォルダに突っ込みます。
api.InitメソッドでLanguages.Japaneseを渡せばOKです。
ほかの言語も同様の手順でできます。（多分）

コード例（api.Initメソッドの引数が変わっただけ）：

using System;
using Patagames.Ocr;
using Patagames.Ocr.Enums;

namespace OCRTest
{
    class Program
    {
        static readonly string filepath = @"C:\Users\xxxxx\Desktop\sample.png";

        static void Main(string[] args)
        {
            using (var api = OcrApi.Create())
            {
                api.Init(Languages.Japanese);
                string plainText = api.GetTextFromImage(filepath);
                Console.WriteLine(plainText);
            }
            Console.ReadLine();
        }
    }
}

結果（上が読み取る画像、下が読み取った文字列）

だいたいあってます。
「や」が「ゃ」になっていたり、「な」が「鶴」になっていたり、変なところで改行したりしてますが。

字が大きくないと精度が下がるっぽいです。(多分英語も)
上記の読み取った文字列の画像をさらに変換すると以下のようになりました。

公式マニュアル（リファレンスが左にあります）
Welcome to the Tesseract.Net SDK