用C#识别图像中的文字_MODI OCR

转载

玉宽 2023-04-25 11:24:03

文章标签 Office 文字识别 Text 文章分类 Python 后端开发

1、前言

　　光学字符识别(OCR,Optical Character Recognition)是指对文本资料进行扫描，然后对图像文件进行分析处理，获取文字及版面信息的过程。OCR技术非常专业，一般多是印刷、打印行业的从业人员使用，可以快速的将纸质资料转换为电子资料。关于中文OCR，目前国内水平较高的有清华文通、汉王、尚书，其产品各有千秋，价格不菲。国外OCR 发展较早MODI，像一些大公司，如IBM、微软、HP等，即使没有推出单独的OCR产品，但是他们的研发团队早已掌握核心技术，将OCR功能植入了自身的软件系统。

　　MODI也就是Office 2003中的MicrosoftOffice Document Imaging 的缩写，它是我们安装Office时需要选择安装的一个组件。当我们安装Office选择安装MODI后，我们就可以轻松的把MODI中的OCR功能添加扫我们的应用程序中去。在MODI的帮助下，我们只需要写很少的代码就能够完成OCR的功能。

　　2、 MODI的应用

　　由于MODI组件是Office 2003自带的一个组件，所以我们必须安装Office 2003以上版本才会有MODI组件。当我们在使用MODI进行开发的时候，只要支持外部引用的编译器都可以使用MODI组件。在这里我们使用C#来进行MODI程序的开发和示例。

　　2.1 添加MODI组件

　　我们首先需要添加MODI引用到我们的工程文件中去。我们在添加引用库的时候，选择COM组件库，我们可以看到Microsoft Office DocumentImaging 11.0 Type Library组件(对应文件为MDIVWCTL.DLL)。添加成功后，我们可以在VS2008 C#的解决方案管理器的引用栏中看到MODI项，这就说明我们添加MODI成功了。

　　2.2 利用MODI组件中的Document对象

　　Document对象是MODI中最重要的一个对象，它提供了图片的引入、扫描等重要的方法。在这里我们首先创建一个MODI中的Document对象的一个实例:

　　MODI.Document_MODIDocument = newMODI.Document();

　　然后把需要处理的文档图片准备好。图片的格式为TIFF或者BMP。当然我们有必要首先对图片进行一些必要的处理，尽量让图片干净、清晰

论文网

站大全。然后可以利用Document对象中的Create（）方法，引入图片文档：_MODIDocument.Create(filename);期中MODI，filename为图片文档的路径。

　　2.3 运用Document对象的OCR方法，进行文字的处理

　　OCR( )方法是文字识别的一个重要的方法，它决定了图片识别的精度。

_MODIDocument.OCR(_MODIParameters.Language, 

　　_MODIParameters.WithAutoRotation,  

　　_MODIParameters.WithStraightenImage);

　　在调用了OCR方法之后，所有图片的文档就已经被处理好了。若图片文档有很多页，如果想单独的处理某一页，可以调用MODIimage.OCR（）方法来单独处理。

　　其中OCR（）方法中有三个重要的参数，分别为：

①Language ②AutoRotation③StraightenImage

　　这三个参数的设置是与图片文档上面的字符类型、格式密切相关的。

　　其中，第一个参数Language，表示的是当前文档上的字符是哪种语言的字符，我们只要选择相对应的语言参数就可以了；

　　第二个参数AutoRotation，是个布尔型的参数，表示的是自动旋转设置。可能图片的文档方向不是正向的，所以需要设置这个参数来开启是否自动旋转功能；

　　第三个参数StraightenImage，表示的是自动扶直图片。当字体有倾斜时，设置此选项可以自动纠正文字的倾斜。

　　这三个参数根据文档的具体情况来设置，才能达到更精确的效果。下图为选择OCR参数后开始OCR的界面。

用C#识别图像中的文字_MODI OCR_Text

　　图1 图像文字识别

　　2.4 追踪OCR扫描的进度

　　整个OCR过程可能会花去一些时间，我们可以关注这个扫描的过程。因此利用OnOCRProgress事件MODI，来跟踪整个OCR的处理过程。

　　利用下面的代码，就可以跟踪OCR的处理进度。

_MODIDocument.OnOCRProgress += newMODI._IDocumentEvents_OnOCRProgressEventHandler(this.ShowProgress); 

　　public void ShowProgress(int progress,ref bool cancel) 

　　{ statusBar1.Text =progress.ToString() + "% processed."; }

　　2.5 利用MODI中的Document Viewer对象

　　Document Viewer对象和Document对象一样，都属于同一个组件库MDIVWCTL.DLL，只需要对Document Viewer有个简单的声明，就可以使用Document Viewer对象了。运用Document Viewer对象可以对图片文件进行选择、画图等操作。

MODI.MiDocView ax MiDocView1=newMODI.MiDocView( ); 

　　axMiDocView1.Document = _MODIDocument;

　　处理OCR之后的结果

for(inti=0;i<= axMiDocView1.PageNum;i++) 

　　 {axMiDocView1.selectAll(i); } 

　　string ocrResult= axMiDocView1.TextSelection.Text.ToString();

　　到这里就可以得到图片文件中所包含的文字了。这里选择图一中的拷贝文字到剪贴板后，将文字拷贝到文本文件中，效果如下图所示：

用C#识别图像中的文字_MODI OCR_Office_02

　　图2 图像文字识别结果

也可通过以下途径实现：

// 引用 Interop.MODI.dll
 // 识别率不是很高
 private string OcrFunc(string imgfileName) // 参数为包含文本的图片文件名
 {
     var langs = MODI.MiLANGUAGES.miLANG_ENGLISH;
     // MODI.MiLANGUAGES.miLANG_CHINESE_SIMPLIFIED; 中文含英文
     // MODI.MiLANGUAGES.miLANG_JAPANESE; 日文含英文

     var doc = new MODI.Document();
     var image = default(MODI.Image);
     var layout = default(MODI.Layout);

     try
     {
         doc.Create(imgfileName);
         doc.OCR(langs, true, true);
         var sb = new StringBuilder();

         for (int i = 0; i < doc.Images.Count; i++)
         {
             image = (MODI.Image)doc.Images[i];
             layout = image.Layout;
             sb.AppendLine(string.Format("{0}, {1}", i, layout.Text));
         }
         doc.Close(false);
         return sb.ToString();
     }
     catch (System.Exception ex)
     {
         MessageBox.Show(ex.Message);
         return string.Empty;
     }
     finally
     {
         layout = null;
         image = null;
         doc = null;
     }
 }

　　3、结果分析及其结论

　　运用Office中自带的MODI组件，可以快速而有效的编写相关的OCR，但是识别精度和图片文档的质量与清晰度有关。运用MODI就可以很轻松的开发出很专业的OCR 程序，既节约了时间，又节约了成本。