使用适用于 Linux 的 .NET 控制台应用程序从图像中识别文本

本文介绍如何在 Ubuntu 系统中创建 .NET 控制台应用程序并识别图像中的文本。图像文本识别使用VintaSoft Imaging .NET SDK及其 PDF、OCR 和文档清理插件。

以下是完成此任务的步骤：

打开 Ubuntu 桌面。
创建一个文件夹，用于存储 .NET 应用程序的文件。让我们在当前用户的桌面上创建一个名为"Recognize_Text_In_Image"的文件夹，并进入该文件夹。
打开控制台命令终端。可以通过在上下文菜单中选择"在终端中打开"或按组合键 Ctrl+Alt+T 来完成此操作。
在终端中调用命令，创建一个新的 .NET 控制台应用程序项目：
```
dotnet new console --framework net6.0
```
创建的项目包含项目文件"Recognize_Text_In_Image.csproj"和包含应用程序 C# 代码的"Program.cs"文件。关闭终端。

在文本编辑器中打开项目文件"Recognize_Text_In_Image.csproj"，并将文件文本更改为以下文本：

<Project Sdk="Microsoft.NET.Sdk">

  <PropertyGroup>
    <OutputType>Exe</OutputType>
    <TargetFramework>net6.0</TargetFramework>
    <RootNamespace>ConsoleApp1</RootNamespace>
    <ImplicitUsings>enable</ImplicitUsings>
    <Nullable>enable</Nullable>
  </PropertyGroup>

  <ItemGroup>
    <PackageReference Include="SkiaSharp" Version="2.88.0" />
    <PackageReference Include="SkiaSharp.NativeAssets.Linux" Version="2.88.0" />
    <PackageReference Include="Vintasoft.Imaging" Version="12.1.5.1" />
    <PackageReference Include="Vintasoft.Imaging.Drawing.SkiaSharp" Version="12.1.5.1" />
    <PackageReference Include="Vintasoft.Imaging.DocCleanup" Version="7.1.5.1" />
    <PackageReference Include="Vintasoft.Imaging.Ocr" Version="7.1.5.1" />
    <PackageReference Include="Vintasoft.Imaging.Ocr.Tesseract" Version="7.1.5.1" />
    <PackageReference Include="Vintasoft.Imaging.Pdf" Version="9.1.5.1" />
    <PackageReference Include="Vintasoft.Imaging.Pdf.Ocr" Version="9.1.5.1" />
    <PackageReference Include="Vintasoft.Shared" Version="3.3.1.1" />
  </ItemGroup>

  <ItemGroup>
    <Content Include="OCR.tif">
      <CopyToOutputDirectory>Always</CopyToOutputDirectory>
    </Content>
  </ItemGroup>

</Project>

更改后的项目引用了 VintaSoft Imaging .NET SDK (Vintasoft.Shared.dll、Vintasoft.Imaging.dll、Vintasoft.Imaging.Drawing.SkiaSharp.dll)、VintaSoft Document Cleanup .NET Plug-in (Vintasoft.Imaging.DocCleanup.dll)、VintaSoft OCR .NET Plug-in (Vintasoft.Imaging.Ocr.dll、Vintasoft.Imaging.Ocr.Tesseract.dll) 和 VintaSoft PDF .NET Plug-in (Vintasoft.Imaging.Pdf、Vintasoft.Imaging.Pdf.Ocr) 的 NuGet 包。

打开文件"Program.cs"，并将其代码更改为以下 C# 代码：

namespace ConsoleApp1
{
    class Program
    {
        static void Main(string[] args)
        {
            Vintasoft.Imaging.ImagingGlobalSettings.Register("%EVAL_LIC_USER_NAME%", "%EVAL_LIC_USER_EMAIL%", "%EVAL_LIC_DATE%", "%EVAL_LIC_REG_CODE%");

            string imageFilePath = "OCR.tif";

            string tesseractOcrPath = "TesseractOCR";
            // create the OCR engine
            using (Vintasoft.Imaging.Ocr.Tesseract.TesseractOcr tesseractOcr = new Vintasoft.Imaging.Ocr.Tesseract.TesseractOcr(tesseractOcrPath))
            {
                // specify that OCR engine will recognize English text
                Vintasoft.Imaging.Ocr.OcrLanguage language = Vintasoft.Imaging.Ocr.OcrLanguage.English;
                // create the OCR engine settings
                Vintasoft.Imaging.Ocr.Tesseract.TesseractOcrSettings settings = new Vintasoft.Imaging.Ocr.Tesseract.TesseractOcrSettings(language);
                // initialize the OCR engine
                tesseractOcr.Init(settings);

                // load an image with text
                using (Vintasoft.Imaging.VintasoftImage image = new Vintasoft.Imaging.VintasoftImage(imageFilePath))
                {
                    // preprocess image before text recognition

                    // remove noise from image
                    Vintasoft.Imaging.ImageProcessing.Document.DespeckleCommand despeckleCommand = new Vintasoft.Imaging.ImageProcessing.Document.DespeckleCommand();
                    despeckleCommand.ExecuteInPlace(image);
                    // remove lines from image
                    Vintasoft.Imaging.ImageProcessing.Document.LineRemovalCommand lineRemovalCommand = new Vintasoft.Imaging.ImageProcessing.Document.LineRemovalCommand();
                    lineRemovalCommand.ExecuteInPlace(image);

                    // specify an image with text
                    tesseractOcr.SetImage(image);

                    // recognize text in image
                    Vintasoft.Imaging.Ocr.Results.OcrPage ocrResult = tesseractOcr.Recognize();

                    // create PDF document
                    using (Vintasoft.Imaging.Pdf.PdfDocument pdfDocument = new Vintasoft.Imaging.Pdf.PdfDocument("OCR.pdf", Vintasoft.Imaging.Pdf.PdfFormat.Pdf_14))
                    {
                        // create PDF document builder
                        Vintasoft.Imaging.Pdf.Ocr.PdfDocumentBuilder documentBuilder = new Vintasoft.Imaging.Pdf.Ocr.PdfDocumentBuilder(pdfDocument);
                        documentBuilder.ImageCompression = Vintasoft.Imaging.Pdf.PdfCompression.Auto;
                        documentBuilder.PageCreationMode = Vintasoft.Imaging.Pdf.Ocr.PdfPageCreationMode.ImageOverText;

                        // add OCR result to the PDF document
                        documentBuilder.AddPage(image, ocrResult);

                        // save changes in PDF document
                        pdfDocument.SaveChanges();
                    }

                    // clear the image
                    tesseractOcr.ClearImage();
                }
                // shutdown the OCR engine
                tesseractOcr.Shutdown();
            }
        }
    }
}

应用程序代码将从图像中识别文本，并将结果保存到可搜索的 PDF 文档中。

按照文档中描述的方式获取在 Linux 中使用评估版本的代码，并将获取的代码插入到"Program.cs"文件的 C# 代码中。
将"OCR.tif"文件复制到项目文件夹。

您可以使用任何其他包含文档图像的文件代替"OCR.tif"文件。
打开终端并使用以下命令编译 .NET 项目：
```
dotnet build Recognize_Text_In_Image.csproj
```
关闭终端。
转到"bin/Debug/net6.0/"文件夹。
打开终端并使用以下命令运行 .NET 应用程序：
```
dotnet ./Recognize_Text_In_Image.dll
```
关闭终端。
打开创建的 PDF 文档并查看结果：

使用适用于 Linux 的 .NET 应用程序识别图像中的文本