使用 Office 2007 OCR、OpenXML 和语音识别转换图像到文本

• 下载源代码 - 45.16 KB

引言

有时在开发应用程序时，我们会遇到这种情况：我们有一个扫描的文档（图像），想将其转换为文本（Word 2007 文档）。一些扫描仪提供可以自动执行此类转换的应用程序，但大多数情况下，生成的文档格式是*.pdf或*.odt等。如果您想直接转换为*.docx（OpenXML）文档，则需要使用第三方应用程序或从头开始开发。

OpenXML 已成为 ISO 标准（IS29500），其采用率随着其性能、可扩展性和安全性而日益增长。该格式是 Microsoft Office 2007 文档（*.pptx、*.docx、*.xlsx）的默认格式。它比二进制文档小 75%，并且基于两项主要技术：ZIP 和 XML。

语音识别是 .NET Framework 3.5 中包含的一项功能。开发人员可以使用此 API 提供更好的用户体验、轻松访问特定信息等。该 API 自 .NET Framework 3.0 起可用，并且是 Windows Vista 的默认功能。

场景

为了方便开发人员的工作并避免与第三方应用程序集成，Microsoft 在 Office 2007 中发布了一个名为 MODI（Microsoft Office Document Imaging）的 OCR（光学字符识别）API。需要记住的是，本示例中使用的 API 仅限于 Office 2007（Office 2003 有其自己的 OCR API）。

在本文中，我们将创建一个使用 Office 2007 OCR API 生成 OpenXML 文档的 Windows 应用程序。此外，我们将使用语音识别 API 来改善应用程序的用户体验。

在开始之前，您需要已安装以下要求：

• Visual Studio 2008
• .NET Framework 3.5
• OpenXML SDK 1.0
• Office 2007

需要安装 Microsoft Office Document Imaging 12.0 类型库。Office 2007 安装程序默认不安装此组件，需要稍后安装。为此：

• 运行 Office 2007 安装程序
• 单击“添加或删除功能”按钮
• 确保已安装该组件

使用 MODI

要使用 Office 2007 OCR API，您必须添加对 Microsoft Office Document Imaging 12.0 类型库的引用。为此：

• 在“解决方案资源管理器”中，选择“添加引用”
• 在“COM”选项卡中，选择“Microsoft Office Document Imaging 12.0 类型库”

创建 MODI 对象

/// <summary>
/// Document Imaging Library
/// </summary>
MODI.Document md; 

在 Form 类的构造函数中，实例化 MODI 对象

public Form1()
{
    InitializeComponent();
    speaker.Rate = -2;
    speaker.Volume = 100;
    ListFiles = new List<string>();
    md = new MODI.Document();
}

之后，您只需实现转换方法。让我们看看如何做到这一点：

private void OCRImplementation()
{
    Cursor = Cursors.WaitCursor;
    foreach (string Name in checkedListBox1.CheckedItems)
    {
        try
        {
            md.Create(Name);
            md.OCR(MODI.MiLANGUAGES.miLANG_ENGLISH, true, true);
            string strText = String.Empty;
            MODI.Image image = (MODI.Image)md.Images[0];
            MODI.Layout layout = image.Layout;
            for (int i = 0; i < layout.Words.Count; i++)
            {
                MODI.Word word = (MODI.Word)layout.Words[i];
                if (strText.Length > 0)
                {
                    strText += " ";
                  }
                strText += word.Text;
            }
            md.Close(false);
            CreateDocument(strText);
        }
        catch (Exception ex)
        {
            MessageBox.Show(ex.Message);
        }
        finally
        {
            Cursor = Cursors.Default;
        }
    }
}

OCRImplementation 方法将转换图像文件（*.tif、*.jpg、*.gif、*.bmp，在本例中我们使用 TIFF 文件）。md 对象的 Create 方法接收要转换的文件路径。OCR 方法接收三个参数：第一个参数表示文档的语言，第二个参数指定 OCR 引擎是否尝试确定页面的方向，第三个参数指定 OCR 引擎是否尝试修复与垂直方向的轻微倾斜。

要检索文本，需要添加对 Image 和 Layout 对象属性的引用。Layout 对象允许文本检索。该对象的 Words 属性包含 Count 属性，该属性允许遍历单词列表。您可以使用索引器检索单词，而不是在单词之间添加空格。

md 对象的 Close 方法接受一个布尔参数，指示是否将更改保存到图像文件。

使用 OpenXML SDK

在“解决方案资源管理器”中，添加对 DocumentFormat.OpenXML 库的引用。该库允许将转换后的文本转换为 Word 文档。有一个常量对象将处理文档的结构和关系（它将定义标记，在本例中为 WordprocessingML）。

private const string PART_TEMPLATE =
 "<?xml version='1.0' encoding='UTF-8' standalone='yes'?>" +
"<w:document xmlns:w='http://schemas.openxmlformats.org/wordprocessingml/2006/main'>" +
"<w:body><w:p><w:r><w:t>#REPLACE#</w:t></w:r></w:p></w:body></w:document>";

CreateDocument 方法负责将文本插入到文档结构中。

 private void CreateDocument(string Text)
{
    WordprocessingDocument wordDoc =
       WordprocessingDocument.Create(txt_SavePath.Text,
  WordprocessingDocumentType.Document);
    MainDocumentPart docPart = wordDoc.MainDocumentPart;

    string partML;
    docPart = wordDoc.AddMainDocumentPart();

    partML = PART_TEMPLATE.Replace("#REPLACE#", Text);

    Stream partStream = docPart.GetStream();
    UTF8Encoding encoder = new UTF8Encoding();
    Byte[] buffer = encoder.GetBytes(partML);
    partStream.Write(buffer, 0, buffer.Length);
    wordDoc.Close();
}

语音识别

/// <summary>
/// synthesis speech
/// </summary>
SpeechSynthesizer speaker = new SpeechSynthesizer();

在 .NET 选项卡中添加对 System.Speech 的引用。之后，您只需调整 Volume 和 Rate 属性，并使用 Speak 方法说出 string。

speaker.Speak("Searching");

结论

结合这些强大的 API 是一个有趣的想法，与第三方 API 相比，OCR 实现的代码非常简短。它是一个可以从多种方式进行探索的工具，如果与 OpenXML 和语音识别的好处相结合，就可以改进您的应用程序。