C# 使用OCR识别中文

来源地址：http://www.wxzzz.com/1602.html

现在市面上的可用的OCR（光学字符识别）组件还是比较多的，其中有大名鼎鼎的Tesseract，还有非常专业的Asprise，尽管它们非常专业、非常好用，但是用起来并不省事（因为它们对中文的支持并不友好）。如果公司是专业开发OCR套件，愿意耗资长时间的深入研发，那么比较推荐Tesseract，它可以进行深入的配置，并且是开源的。

经过多种方案的尝试后，发现还是微软的OCR组件对中文识别效果不错，并且简单。该组件基于office 2007中，其效果如下所示：

使用C#与Office 2007 OCR组件实现图文转换

1. 安装office 2007.(安装组件选项时需要手动在 工具–> Microsoft Office Document Imaging 安装此项）
2. Office SP2 补丁安装（301 MB）：http://download.microsoft.com/download/A/3/9/A39E919E-AFA8-4128-9249-51629206C70F/office2007sp2-kb953195-fullfile-zh-cn.exe
3. 在visual studio C#项目中引用COM组件：Microsoft Office Document Imaging 12.0 Type Library
4. 然后编写如下代码（本文使用的为winfrom测试项目）：

 
private void button1_Click(object sender, EventArgs e)
{
    MODI.Document doc = new MODI.Document();
    doc.Create("C:\\OCR\\text.jpg");
    MODI.Image image;
    MODI.Layout layout;
    doc.OCR(MODI.MiLANGUAGES.miLANG_CHINESE_SIMPLIFIED, true, true);
    StringBuilder sb = new StringBuilder();
    for (int i = 0; i < doc.Images.Count; i++)
    {
        image = (MODI.Image)doc.Images[i];
        layout = image.Layout;
        sb.Append(layout.Text);
    }
 
    textBox1.Text = sb.ToString();
}

然后在C盘放入一个text.jpg文件即可开始测试以上代码。

其它说明：如果报错“其他信息: 检索 COM 类工厂中 CLSID 为 {40942A6C-1520-4132-BDF8-BDC1F71F547B} 的组件失败，原因是出现以下错误: 80040154 没有注册类”，请尝试将项目生成目标从 Any CPU  修改为 x86 .