Java使用tess4J進行OCR圖像識別

簡介

OCR （Optical Character Recognition，光學字符識別）是指電子設備（例如掃描儀或數碼相機）檢查紙上打印的字符，通過檢測暗、亮的模式確定其形狀，然后用字符識別方法將形狀翻譯成計算機文字的過程；即，針對印刷體字符，采用光學的方式將紙質文檔中的文字轉換成為黑白點陣的圖像文件，並通過識別軟件將圖像中的文字轉換成文本格式，供文字處理軟件進一步編輯加工的技術。如何除錯或利用輔助信息提高識別正確率，是OCR最重要的課題，ICR（Intelligent Character Recognition）的名詞也因此而產生。衡量一個OCR系統性能好壞的主要指標有：拒識率、誤識率、識別速度、用戶界面的友好性，產品的穩定性，易用性及可行性等。

Tess4J是對Tesseract OCR API.的Java JNA 封裝。使java能夠通過調用Tess4J的API來使用Tesseract OCR。支持的格式：TIFF,JPEG,GIF,PNG,BMP,JPEG,and PDF

Tesseract 的github地址：https://github.com/tesseract-ocr/tesseract
Tess4J的github地址：https://github.com/nguyenq/tess4j

Tess4J API 提供的功能：

1. 直接識別支持的文件
2. 識別圖片流
3. 識別圖片的某塊區域
4. 將識別結果保存為 TEXT/ HOCR/ PDF/ UNLV/ BOX
5. 通過設置取詞的等級，提取識別出來的文字
6. 獲得每一個識別區域的具體坐標范圍
7. 調整傾斜的圖片
8. 裁剪圖片
9. 調整圖片分辨率
10. 從粘貼板獲得圖像
11. 克隆一個圖像（目的：創建一份一模一樣的圖片，與原圖在操作修改上，不相 互影響）
12. 圖片轉換為二進制、黑白圖像、灰度圖像
13. 反轉圖片顏色

創建maven項目

pom中引用jar包

　　　　 <dependency>
            <groupId>net.sourceforge.tess4j</groupId>
            <artifactId>tess4j</artifactId>
            <version>4.5.1</version>
        </dependency>

下載語言庫文件

語言庫下載地址：https://github.com/tesseract-ocr/tessdata

其中chi_sim.traineddata為中文語言庫，eng.traineddata為英文語言庫。

在任意地方創建一個文件夾tessdata，將下載的chi_sim.traineddata 和 eng.traineddata語言包存放在該目錄下，也可以直接存放到自己項目的resources/tessdata目錄下。

PS：后期的OCR樣本訓練，實際上就是制作生成自己的語言庫文件

代碼示例

// 識別圖片的路徑（修改為自己的圖片路徑）
        String path = "D:\\test.png";
        File file = new File(path);

        ITesseract instance = new Tesseract();
        //獲得Tesseract的文字庫，設置語言庫位置
        URL tessdataPath = ClassLoader.getSystemResource("tessdata");
        instance.setDatapath(tessdataPath.getPath().substring(1));
        //chi_sim ：簡體中文， eng：英文    根據需求選擇語言庫
        instance.setLanguage("eng");

        String result = null;
        try {
            long startTime = System.currentTimeMillis();
            result =  instance.doOCR(file);
            long endTime = System.currentTimeMillis();
            System.out.println("Time is：" + (endTime - startTime) + " 毫秒");
        } catch (TesseractException e) {
            e.printStackTrace();
        }

        System.out.println("result: ");
        System.out.println(result);

測試圖片：

 結果：

 

 

 

 

 

參考：

Java使用Tess4J 實現簡單的圖像識別(Maven版)

JAVA使用Tess4J進行ocr識別