企业官网建设流程全解析

简介：本资源是一套基于C#实现的离线OCR文字识别完整项目，面向Windows桌面应用开发者及图像处理初学者，解决图片中文字内容本地化、免网络依赖的自动提取需求，适用于发票识别、文档数字化、纸质资料归档等实际场景。压缩包共62个文件，含14个核心DLL库（支撑OCR引擎调用与图像处理）、12个XML配置与文档说明、6个关键CS源码文件（涵盖窗体逻辑、图像预处理、Tesseract集成与结果导出），以及EXE可执行程序、CSProj工程文件和NuGet包依赖项，整体大小为4.31MB。已有4523人学习下载，提供开箱即用的可视化界面与清晰分层代码结构——包括Form1.cs主交互逻辑、Program.cs入口控制、Properties资源配置及packages.config依赖管理，便于快速理解OCR流程：图像加载→灰度二值化预处理→多语言文本识别→结果校验与TXT输出，是掌握C#与开源OCR技术协同开发的实用入门范例。

1. 项目缘起：为什么我们需要一个离线的OCR工具？

最近在做一个内部工具，需要从大量的产品截图、扫描文档里自动提取文字信息。一开始图省事，直接调用了某云的在线OCR接口，跑起来确实方便，一个API调用就完事了。但很快就遇到了几个头疼的问题：一是网络依赖，内网环境或者网络波动的时候，整个流程就卡住了；二是数据安全，有些图片涉及内部信息，上传到第三方服务总让人心里不踏实；三是成本，量稍微大一点，API调用费用就上来了，对于长期运行的工具来说是个不小的负担。

于是，把目光投向了离线OCR方案。离线意味着部署一次，终身免费（不考虑电费），数据不出本地，完全可控。在.NET生态里，C#是我们的主力语言，所以目标很明确：用C#实现一个高性能、易集成的离线图片文字识别工具。经过一番调研和折腾，最终基于Tesseract引擎和AForge.NET（处理图像预处理）搞定了这个工具。今天就把整个实现思路、关键代码、以及踩过的那些坑，毫无保留地分享出来。如果你也在为C#环境下的本地文字识别发愁，这篇内容应该能帮你省下不少时间。

2. 核心武器库：Tesseract与AForge.NET的选型与部署

实现离线OCR，核心是OCR引擎。在C#/.NET的世界里，Tesseract几乎是开源离线OCR的不二之选。它由Google赞助开发，识别精度高，支持多种语言，并且有一个活跃的社区维护的C#封装库——Tesseract.NET SDK。另一个关键组件是AForge.NET（以及它的继任者Accord.NET），它是一个强大的计算机视觉和图像处理库，我们将用它来对图片进行预处理，这是提升Tesseract识别率的关键一步。

2.1 Tesseract引擎的本地化部署

Tesseract本身是一个用C++编写的命令行工具。在C#中使用，我们需要两样东西：引擎的核心库（.dll或.exe）和语言训练数据文件（.traineddata）。

1. 获取Tesseract引擎：对于Windows平台，最省事的方法是直接下载编译好的可执行文件和库。你可以从GitHub上的tesseract-ocr/tesseract官方仓库的Release页面，找到对应版本的Windows安装包（例如tesseract-ocr-w64-setup-5.3.3.20231005.exe）。安装后，你会得到tesseract.exe和相关的动态链接库。

但是，对于集成到C#项目里，我们更常用的是Tesseract.NET SDK这个NuGet包。它会处理与本地Tesseract库的交互。不过，这个包本身不包含引擎本体。因此，我们需要手动将Tesseract的库文件（主要是liblept-5.dll和libtesseract-5.dll）以及tessdata文件夹（存放语言包）放到我们程序的运行目录下，或者指定其路径。

一个更清晰的部署结构建议如下：

你的项目根目录/ ├── YourApp.exe ├── x64/ (或 x86/) │ ├── liblept-5.dll │ └── libtesseract-5.dll └── tessdata/ ├── eng.traineddata ├── chi_sim.traineddata (简体中文) └── chi_tra.traineddata (繁体中文)

Tesseract.NET SDK会根据当前进程的位数（32位或64位）自动去对应的x86或x64子目录加载DLL。

2. 获取语言数据文件：这是识别准确度的基础。你需要从Tesseract的官方GitHub仓库（tesseract-ocr/tessdata或tesseract-ocr/tessdata_best）下载所需的.traineddata文件。对于中文识别，chi_sim（简体）和chi_tra（繁体）是必须的。tessdata_best里的模型通常精度更高，但体积也更大。对于大多数场景，标准版tessdata已经足够。

注意：国内下载GitHub资源可能较慢。你可以搜索“tesseract ocr 引擎国内镜像”来寻找更快的下载源，或者使用一些包管理器的镜像。确保下载的版本与你的Tesseract引擎版本大致匹配（主版本号相同即可，如5.x）。

3. 在C#项目中集成：在Visual Studio中，通过NuGet包管理器安装Tesseract包（作者：Charles Weld）。这是目前最流行和维护较好的封装。

Install-Package Tesseract

安装后，你的项目引用中会增加Tesseract。

2.2 AForge.NET/Accord.NET用于图像预处理

原始图片直接扔给Tesseract，识别效果往往很差，尤其是对于背景复杂、光照不均、有噪声的图片。图像预处理的目的就是“净化”图片，让文字区域更突出，背景更干净，从而大幅提升OCR的识别率。

AForge.NET是一个经典的.NET图像处理库，虽然其核心开发已放缓，但其AForge.Imaging等模块依然稳定好用。而Accord.NET是在其基础上发展起来的更现代、功能更全面的框架，包含了AForge的许多功能并进行了扩展。

对于我们的OCR预处理任务，AForge.Imaging提供的功能已经足够。我们主要通过NuGet安装：

Install-Package AForge Install-Package AForge.Imaging

如果希望使用更丰富的图像处理滤镜和机器学习功能，可以考虑安装Accord.Imaging等包。

预处理流程通常包括：灰度化、二值化、降噪、倾斜校正等。AForge.NET提供了丰富的滤镜类来轻松完成这些操作。

3. 从图片到文字：完整的识别流程拆解与实现

有了武器，我们来设计战斗流程。一个健壮的离线OCR工具，其核心流程可以概括为：加载图片 -> 图像预处理 -> 调用Tesseract识别 -> 输出文本。下面我们分步详解，并附上关键代码。

3.1 第一步：加载与解码图片

C#本身提供了System.Drawing来操作图片，但在跨平台和性能上有所局限。AForge.NET使用System.Drawing作为底层，所以我们暂时用它。确保项目引用了System.Drawing.CommonNuGet包（对于.NET Core/.NET 5+项目）。

using System.Drawing; using AForge.Imaging; public Bitmap LoadImage(string imagePath) { // 使用System.Drawing加载图片 Bitmap originalImage; try { originalImage = new Bitmap(imagePath); } catch (Exception ex) { throw new ArgumentException($"无法加载图片 '{imagePath}'。请检查文件路径和格式。", ex); } return originalImage; }

这里直接返回了Bitmap对象，它是后续AForge.NET处理的常用格式。

3.2 第二步：至关重要的图像预处理

这是提升识别率的“魔法”环节。不同的图片需要不同的预处理组合，一个通用的强力流程如下：

1. 灰度化 (Grayscale)：将彩色图转为灰度图，减少计算量，很多图像处理算法基于灰度。

public Bitmap ConvertToGrayscale(Bitmap originalImage) { // 使用AForge的灰度化滤镜 Grayscale filter = new Grayscale(0.2125, 0.7154, 0.0721); // BT709标准，符合人眼感知 Bitmap grayImage = filter.Apply(originalImage); // 注意：originalImage如果后续不再使用，应考虑释放(Dispose) return grayImage; }

2. 二值化 (Thresholding)：将灰度图转为黑白图，让文字（前景）和背景彻底分离。这是最关键的一步。简单的全局阈值可能不适用所有情况。我们可以尝试自适应阈值或大津法（Otsu）。

public Bitmap ApplyOtsuThreshold(Bitmap grayImage) { // OtsuThreshold 是AForge.Imaging.Filters里的一个滤镜 OtsuThreshold filter = new OtsuThreshold(); // Apply方法会直接修改传入的图片，如果想保留原图，可以先Clone一份 Bitmap binaryImage = AForge.Imaging.Image.Clone(grayImage); // 克隆 filter.ApplyInPlace(binaryImage); // 就地处理 return binaryImage; }

如果图片光照不均，AdaptiveThresholdFilter（自适应阈值）可能效果更好，但它计算量更大。

3. 降噪 (Noise Reduction)：去除二值化后图片中的孤立噪点。

public Bitmap RemoveNoise(Bitmap binaryImage) { // 使用中值滤波或腐蚀/膨胀等形态学操作 // 例如，一个简单的开运算（先腐蚀后膨胀）可以去除小白点 // AForge.Imaging.Filters.Morphology类提供了相关操作，但需要自己定义结构元素 // 这里用一个简单的滤波替代 Median filter = new Median(); // 中值滤波，对椒盐噪声效果好 // Median滤镜默认处理灰度图，对二值图也有效果 filter.ApplyInPlace(binaryImage); return binaryImage; }

对于扫描文档，可能还需要倾斜校正（Deskew）。AForge.Imaging提供了DocumentSkewChecker类来检测倾斜角度，然后通过旋转进行校正。这部分逻辑稍复杂，但对于扫描件至关重要。

一个整合的预处理函数可能长这样：

public Bitmap PreprocessImage(Bitmap originalImage) { Bitmap processedImage = originalImage; // 1. 转为灰度图 processedImage = ConvertToGrayscale(processedImage); // 2. 尝试自动对比度拉伸，增强文字与背景的对比度（可选，对低对比度图片有效） ContrastStretch contrastFilter = new ContrastStretch(); contrastFilter.ApplyInPlace(processedImage); // 3. 使用大津法二值化 processedImage = ApplyOtsuThreshold(processedImage); // 4. 降噪 processedImage = RemoveNoise(processedImage); // 5. 可以考虑进行一次膨胀操作，让断开的笔画连接（针对某些字体） // Dilatation dilationFilter = new Dilatation(); // dilationFilter.ApplyInPlace(processedImage); return processedImage; }

实操心得：预处理没有“银弹”。最好的方法是准备一批有代表性的测试图片，用不同的预处理组合进行试验，观察哪种组合对你这批图片的最终识别效果提升最大。可以写一个简单的测试程序来批量处理并对比结果。

3.3 第三步：调用Tesseract进行OCR识别

预处理后的Bitmap需要交给Tesseract。Tesseract.NET SDK的主要入口是TesseractEngine类。

using Tesseract; using System.Drawing.Imaging; using System.IO; public string PerformOcr(Bitmap processedImage, string language = "eng", string tessDataPath = @".\tessdata") { string resultText = string.Empty; // 检查语言数据路径是否存在 if (!Directory.Exists(tessDataPath)) { throw new DirectoryNotFoundException($"Tesseract语言数据目录未找到: {tessDataPath}。请确保已将'tessdata'文件夹（包含{language}.traineddata）放置于正确位置。"); } // 将Bitmap转换为Tesseract可接受的Pix格式 Pix pixImage; using (MemoryStream ms = new MemoryStream()) { processedImage.Save(ms, ImageFormat.Png); // 保存为PNG格式流 ms.Position = 0; pixImage = Pix.LoadFromMemory(ms.ToArray()); } using (var engine = new TesseractEngine(tessDataPath, language, EngineMode.Default)) { // 可以设置一些引擎参数，例如： // engine.SetVariable("tessedit_char_whitelist", "0123456789ABCDEFGHIJKLMNOPQRSTUVWXYZ"); // 只识别特定字符 // engine.SetVariable("preserve_interword_spaces", "1"); // 保留单词间空格 using (var page = engine.Process(pixImage)) { resultText = page.GetText(); // 你还可以获取置信度、单词位置等信息 // var confidence = page.GetMeanConfidence(); // using (var iter = page.GetIterator()) // { ... 遍历单词 } } } // 释放资源 pixImage.Dispose(); // processedImage的释放由调用者负责 return resultText.Trim(); // 返回去除首尾空格的文本 }

关键点解析：

1. TesseractEngine构造：第一个参数是tessdata文件夹的路径，第二个是语言代码（如"eng"、"chi_sim"），第三个是引擎模式。EngineMode.Default是平衡速度和精度的好选择。EngineMode.LstmOnly可能对某些新版模型有更好效果。
2. 图片格式转换：Tesseract处理的是Leptonica库的Pix格式。我们将Bitmap通过内存流保存为PNG字节数组，再加载为Pix，这是一个可靠的方法。
3. 引擎变量设置：通过SetVariable可以精细控制Tesseract的行为。例如，tessedit_char_whitelist在识别验证码或固定格式文本时非常有用。
4. 资源释放：TesseractEngine、Page和Pix都实现了IDisposable，务必使用using语句确保及时释放，避免内存泄漏。

3.4 第四步：结果后处理与输出

Tesseract返回的文本可能包含多余的换行、空格，或者由于识别错误产生的乱码。根据你的应用场景，可能需要进行简单的后处理：

• 清理多余空白：使用正则表达式将多个连续空格或换行符替换为单个。
• 纠正常见错误：可以建立一个小型的常见错误映射表（例如，“0”和“O”，“1”和“l”），进行替换。但这需要针对你的具体内容。
• 结构化提取：如果识别的是表格、票据等有固定格式的文本，需要用正则表达式或简单的解析逻辑来提取关键字段。

public string PostProcessText(string rawOcrText) { if (string.IsNullOrEmpty(rawOcrText)) return rawOcrText; // 示例：将多个连续换行符替换为一个 string processed = System.Text.RegularExpressions.Regex.Replace(rawOcrText, @"\n\s*\n+", "\n"); // 示例：将多个连续空格替换为一个 processed = System.Text.RegularExpressions.Regex.Replace(processed, @"\s+", " "); return processed.Trim(); }

4. 实战整合：封装成一个可复用的OCR工具类

将上述步骤整合，我们可以创建一个简单易用的OfflineOcrHelper类。

using System; using System.Drawing; using System.IO; using Tesseract; using AForge.Imaging; using AForge.Imaging.Filters; public class OfflineOcrHelper : IDisposable { private string _tessDataPath; public OfflineOcrHelper(string tessDataPath = @".\tessdata") { _tessDataPath = tessDataPath; if (!Directory.Exists(_tessDataPath)) { throw new ArgumentException($"Tesseract数据路径不存在: {_tessDataPath}"); } } public string RecognizeTextFromImage(string imagePath, string language = "chi_sim+eng", bool preprocess = true) { using (Bitmap originalBitmap = new Bitmap(imagePath)) { Bitmap imageToOcr = originalBitmap; try { if (preprocess) { imageToOcr = PreprocessImage(originalBitmap); } return PerformOcrCore(imageToOcr, language); } finally { // 确保预处理创建的新Bitmap被释放 if (preprocess && imageToOcr != null && imageToOcr != originalBitmap) { imageToOcr.Dispose(); } } } } public string RecognizeTextFromBitmap(Bitmap bitmap, string language = "chi_sim+eng", bool preprocess = true) { Bitmap imageToOcr = bitmap; Bitmap processedBitmap = null; try { if (preprocess) { processedBitmap = PreprocessImage(bitmap); imageToOcr = processedBitmap; } return PerformOcrCore(imageToOcr, language); } finally { if (processedBitmap != null && processedBitmap != bitmap) { processedBitmap.Dispose(); } } } private Bitmap PreprocessImage(Bitmap original) { // 这里调用前面章节实现的预处理流程 // 例如：灰度化 -> 对比度拉伸 -> 二值化 -> 降噪 Bitmap gray = new Grayscale(0.2125, 0.7154, 0.0721).Apply(original); new ContrastStretch().ApplyInPlace(gray); new OtsuThreshold().ApplyInPlace(gray); new Median().ApplyInPlace(gray); // 可选，根据图片情况 return gray; } private string PerformOcrCore(Bitmap image, string language) { string result; using (MemoryStream ms = new MemoryStream()) { image.Save(ms, System.Drawing.Imaging.ImageFormat.Png); ms.Position = 0; using (Pix pix = Pix.LoadFromMemory(ms.ToArray())) using (var engine = new TesseractEngine(_tessDataPath, language, EngineMode.Default)) { // 可在此处设置引擎参数 // engine.SetVariable("user_defined_dpi", "300"); // 如果知道图片DPI可以设置 using (var page = engine.Process(pix)) { result = page.GetText(); // float confidence = page.GetMeanConfidence(); // 获取平均置信度 } } } return PostProcessText(result); } private string PostProcessText(string text) { // 简单的后处理：合并多余空行和空格 if (string.IsNullOrWhiteSpace(text)) return text; text = System.Text.RegularExpressions.Regex.Replace(text, @"(\r\n|\n)\s*(\r\n|\n)+", "\n"); text = System.Text.RegularExpressions.Regex.Replace(text, @"[ \t]+", " "); return text.Trim(); } public void Dispose() { // 目前没有需要显式释放的长期资源 } }

使用示例：

class Program { static void Main(string[] args) { string tessDataPath = @"C:\MyApp\tessdata"; // 你的tessdata路径 string imagePath = @"C:\test.png"; using (var ocrHelper = new OfflineOcrHelper(tessDataPath)) { try { string recognizedText = ocrHelper.RecognizeTextFromImage(imagePath, "chi_sim"); Console.WriteLine("识别结果："); Console.WriteLine(recognizedText); } catch (Exception ex) { Console.WriteLine($"OCR识别失败: {ex.Message}"); } } } }

5. 避坑指南与性能优化实战经验

在实际开发和部署中，我遇到了不少坑。这里总结一下，希望你能绕过去。

5.1 部署与依赖的坑

坑1：Unable to load DLL 'liblept-5'或Unable to load DLL 'libtesseract-5'这是最常见的问题。根本原因是Tesseract.NET找不到原生的C++库。

• 解决方案：确保liblept-5.dll和libtesseract-5.dll放在了正确的位置。对于Any CPU编译且Prefer 32-bit的项目，它会在x86子目录查找。最稳妥的方式是，在你的程序启动时，手动将DLL所在目录添加到PATH环境变量，或者使用NativeLibrary.SetDllImportResolver来指定加载路径。一个简单粗暴有效的方法：直接把这两个DLL复制到你的bin\Debug或bin\Release目录下（与你的exe同级），并确保tessdata文件夹也在同级或指定路径下。

坑2：语言包版本不匹配或缺失错误信息可能类似Error opening data file.../tessdata/eng.traineddata。

• 解决方案：首先检查路径是否正确。其次，确认下载的.traineddata文件是完整的，并且与你的Tesseract引擎版本兼容（例如，Tesseract 5.x 尽量使用为5.x训练的数据）。可以从官方tessdata或tessdata_best仓库下载对应版本。

坑3：在Linux或Docker中运行在Linux上，你需要通过包管理器安装Tesseract的开发库，例如apt-get install libtesseract-dev，然后使用Tesseract.NET的Linux版本（它通过[DllImport]调用系统安装的.so库）。在Dockerfile中，记得安装相应的包并设置tessdata的环境变量TESSDATA_PREFIX。

5.2 识别精度提升的技巧

技巧1：针对性地预处理

• 扫描文档：重点做倾斜校正和去噪。AForge的DocumentSkewChecker可以检测角度。
• 手机拍照：往往有透视变形和光照不均。可以尝试透视变换校正（需要检测四个角点，Accord.NET有相关功能）和自适应阈值二值化。
• 屏幕截图：通常比较干净，可能只需要简单的二值化，甚至可以直接识别。但要注意抗锯齿字体可能产生的灰度边缘。

技巧2：设置正确的DPI如果图片有较高的物理DPI（例如300 DPI的扫描件），告诉Tesseract可以提升精度。在调用engine.Process()之前，可以通过engine.SetVariable("user_defined_dpi", "300")来设置。

技巧3：使用多语言和自定义字典

• 多语言：如果图片中混有中英文，语言参数可以设为"chi_sim+eng"。Tesseract会同时加载两个语言模型。
• 自定义字典/单词列表：对于特定领域的术语（如医药、法律），Tesseract允许你提供自定义的单词列表文件，可以显著提升该领域词汇的识别率。这需要创建.wordlist或.user-words文件，并在初始化引擎时指定。

技巧4：分区域识别 (ROI)如果图片中只有特定区域有文字（如身份证的号码区域），可以先利用图像处理技术（轮廓检测、模板匹配）定位到该区域，然后只对该区域进行裁剪和识别，可以减少干扰，提高速度和精度。

5.3 性能考量与内存管理

性能瓶颈：OCR是计算密集型任务，尤其是预处理和高分辨率图片。图片越大，耗时越长。

• 优化建议：
  1. 缩放图片：如果原始图片分辨率远高于需要（例如，3000x4000的图片识别打印体文字），可以先按比例缩小到宽度1000-2000像素左右，能大幅减少处理时间，且对识别率影响不大。
  2. 异步处理：对于批量处理，一定要使用异步或并行（Parallel.ForEach），避免阻塞UI或主线程。
  3. 对象复用：频繁创建和销毁TesseractEngine开销较大。如果要在短时间内识别大量图片，考虑创建一个引擎实例（单例或池化）重复使用。但注意，TesseractEngine不是线程安全的，在多线程环境下需要加锁或使用线程本地存储。

内存泄漏：这是使用非托管库（Tesseract C++库）和System.Drawing时的常见问题。

• 关键点：确保所有实现了IDisposable的对象都被妥善释放。包括Bitmap,Pix,TesseractEngine,Page。务必使用using语句或在finally块中Dispose。
• 在我们的OfflineOcrHelper类中，Bitmap的创建和释放需要格外小心，特别是在预处理环节创建了新Bitmap时。

6. 进阶探索：超越基础OCR的应用场景

一个稳定的离线OCR引擎是基础，结合其他技术，可以玩出更多花样。

场景一：与AForge的摄像头结合，实现实时OCR还记得热词里的“c# aforge设置摄像头视频属性和控制属性”吗？AForge.NET本身有强大的视频采集能力。你可以：

1. 使用AForge.Video.DirectShow命名空间下的类捕获摄像头视频流。
2. 从视频帧中获取Bitmap。
3. 应用运动检测或特定区域检测，当发现有文字区域变化或进入预设区域时，触发OCR识别。
4. 将识别结果实时显示或保存。

这可以用来做简单的实时翻译机、信息录入工具等。

场景二：结构化信息提取（如发票、名片）单纯的OCR返回的是连续文本。结合正则表达式和简单的自然语言处理（NLP）规则，可以提取结构化信息。

1. 模板匹配：对于格式固定的票据，可以先识别出整个文本。
2. 关键词定位：通过寻找“日期：”、“总价：”等关键词，定位其后的文本位置。
3. 规则提取：使用正则表达式匹配日期格式、金额格式、电话号码等。
4. 输出JSON/对象：将提取的信息组装成结构化的数据对象。

场景三：集成到上位机或自动化工具中C#在工业上位机、自动化测试领域应用广泛。这个离线OCR工具可以作为一个组件集成进去。

• 质检报告读取：自动识别设备屏幕截图或拍摄的仪表盘读数。
• 文档自动化：自动从扫描的表格中提取数据并填入数据库。
• 配合OpenCV/Emgu CV：如果需要更复杂的图像定位和分割（如找出杂乱背景中的标签），可以考虑使用OpenCV的.NET封装（Emgu CV），进行更高级的图像处理，再将ROI送给Tesseract。

7. 源码结构与使用说明

为了让这个工具真正可用，我整理了一个简单的项目结构。你可以在文末找到源码仓库的链接（模拟）。这里先说明核心部分。

项目结构：

OfflineOcrTool/ ├── OfflineOcrTool.csproj # 项目文件 ├── Program.cs # 主程序/示例 ├── Ocr/ │ ├── OfflineOcrHelper.cs # 核心OCR工具类 │ └── ImagePreprocessor.cs # 图像预处理类（可分离） ├── Libs/ # 存放原生DLL (x86, x64) │ ├── x86/ │ │ ├── liblept-5.dll │ │ └── libtesseract-5.dll │ └── x64/ │ ├── liblept-5.dll │ └── libtesseract-5.dll ├── tessdata/ # 语言数据文件 │ ├── eng.traineddata │ └── chi_sim.traineddata └── Samples/ # 测试图片

关键实现细节已在前面章节给出。使用这个工具，你只需要：

1. 克隆或下载项目。
2. 通过NuGet还原Tesseract和AForge包。
3. 确保Libs目录下的DLL文件会根据你的项目平台（x86/x64）在编译时被复制到输出目录。这可以通过在.csproj文件中添加构建后事件或条件引用来实现。
4. 将tessdata文件夹复制到程序运行目录。
5. 参考Program.cs中的示例代码调用OfflineOcrHelper。

关于源码中的资源管理：在提供的OfflineOcrHelper类中，我已经特别注意了Bitmap和Pix对象的生命周期管理，使用了using和try-finally来确保即使在发生异常时资源也能被正确释放。这是在实际项目中稳定运行的基础。

最后，识别效果永远是第一位的。没有任何一套参数能通吃所有图片。这个工具类提供了基础的预处理流程，但最重要的还是你根据自己面对的图片类型，去调整PreprocessImage方法中的滤镜组合和参数。多试，多对比，积累针对你特定场景的“经验参数”，这才是离线OCR从“能用”到“好用”的关键。

本文还有配套的精品资源，点击获取