tesseract本地ocr识别需装官方tesseract包、手动配置chi_sim.traineddata路径、图像预处理（灰度+二值化）、显式设置中文白名单及pagesegmode，空结果多因语言参数错误或模型未加载。
用 Tesseract 本地 OCR 识别图片文字，别急着上云接口
本地识别快、不依赖网络、隐私可控——Tesseract 是 C# 做 OCR 最稳的起点。但直接装 NuGet 包（如 TesseractOCR）常踩坑：缺语言包、图像预处理不到位、中文识别率低到不忍看。
实操建议：
- 装
Tesseract官方封装包：Tesseract（由 charlesw 维护），不是TesseractOCR或Ultrasonic.Tesseract - 必须手动下载对应语言训练数据（
chi_sim.traineddata），放到项目目录（如./tessdata/），并传给EngineMode.Default实例时指定路径 - 输入图务必转为灰度 + 二值化（
Bitmap调用LockBits处理或用ImageSharp预处理），模糊/倾斜/低对比图几乎必然失败 - 中文识别需显式设置
SetVariable("tessedit_char_whitelist", "0123456789abcdefghijklmnopqrstuvwxyzABCDEFGHIJKLMNOPQRSTUVWXYZ\u4e00-\u9fff")，否则默认跳过汉字
Tesseract 识别结果空或乱码？检查这三处
不是模型不行，大概率是初始化或上下文没对齐。常见现象：GetUTF8Text() 返回空字符串、全是问号、或只识别出数字。
关键排查点：
-
PageSegMode设错：表格/单行/多列文本要匹配使用，中文正文推荐PageSegMode.Auto；纯数字可试PageSegMode.SingleLine - 语言参数传的是
"chi_sim"，不是"chi"或"ch_sim"，大小写和下划线必须完全一致 - 训练数据文件未被加载成功：捕获
tess.GetInitLanguagesAsList()输出，确认列表里真有"chi_sim"，没有就说明路径错了或文件损坏
需要高精度？别硬刚 Tesseract，该切 Azure/Cognitive Services
当图片含手写体、印章覆盖、复杂排版或要求 95%+ 准确率时，本地 OCR 已到瓶颈。这时候调云 API 不是“偷懒”，而是成本权衡。
接入要点：
- 用
Microsoft.Azure.CognitiveServices.Vision.ComputerVisionSDK，别手写 HTTP 请求——它自动处理重试、token 刷新、multipart 图片上传 -
RecognizeTextInStreamAsync已弃用，必须用ReadInStreamAsync+ 轮询GetReadResultAsync，否则拿不到结构化结果 - 返回的
ReadOperationResult中，Regions→Lines→Words是嵌套结构，不是扁平文本，需递归提取Text字段 - 注意配额和延迟：免费层限 20 次/分钟，生产环境务必加
try/catch包裹ComputerVisionClient调用，超时设为 60 秒以上
混合方案：先用 Tesseract 快速筛，再送重点图上云
真正落地的系统不会非此即彼。比如扫描件批量处理场景：90% 的标题页用本地识别就够了，剩下 10% 的发票/合同页才走 Azure。
怎么分？靠两个低成本信号：
- 用
Tesseract先跑一次，若GetMeanConfidence() - 图像统计特征：计算灰度直方图方差，
variance 往往意味着严重模糊或大面积遮挡，直接进云队列 - 避免重复上传：对每张图算 MD5，缓存已识别结果（哪怕只是
Dictionary<string string></string>内存级），小项目够用
最易被忽略的是预处理一致性：本地和云端用的缩放比例、DPI、色彩空间最好统一。否则同一张图，本地说“无法识别”，云服务也返回空——其实是你传过去的就是一张 100×100 的模糊缩略图。
