超炫之家

文字识别

integrated-development

# 一、OCR文字识别

Java OCR学习参考文档 (opens new window)

# OCR引擎

OCR开源项目有如下：

OCR开源项目 简介 优点 劣势
Tesseract 谷歌开发并开源的图像文字识别引擎，使用python开发。 1. github上面star非常多，项目非常活跃；
2. 识别的语言和文字非常多；		 1. 不是专门针对中文场景；
2. 相关文档主要是英文，对于阅读和理解起来有一定困难；
3. 学习成本比较高；
PaddleOCR 百度开源的中文识别的ocr开源软件 1. github上面star非常多，项目非常活跃；
2. 模型只针对中文进行训练， 后面做背书的公司非常强；
3. 相关的中文文档非常齐全；
4. 识别的精确度比较高；		 1. 目前使用的训练模型是基于百度公司自己的PaddlePaddle框架，对于小公司来说并不主流；
2. 所使用深度学习框架为后续其他深度学习无法做很好的铺垫；
3. 项目目整体比较复杂，学习成本较高；
EasyOCR 用Python编写的OCR库，用于识别图像中的文字并输出为文本，支持80多种语言。 1. 支持的语言也是非常多的，多达80多种；
2. 识别的精确度尚可；		 1. 用Python编写的OCR库，用于识别图像中的文字并输出为文本，支持80多种语言；
2. 从官方的页面体验来说识别的速度较慢；
3. 识别的文字种类多，学习难度较高；
4. 相关的官方文档是基于英文的

# 二、tesseract

google开源， 实现图片文字识别。

支持的格式包括 TIFF、JPEG、GIF、PNG、BMP、JPEG、PDF。

maven引入

<dependency>
  <groupId>org.bytedeco</groupId>
  <artifactId>tesseract-platform</artifactId>
  <version>4.1.1-1.5.3</version>
</dependency>
1
2
3
4
5

# 三、Tess4J使用

Tess4j 的官网：https://tess4j.sourceforge.net (opens new window) Tess4j 的 Maven 仓库：https://mvnrepository.com/artifact/net.sourceforge.tess4j/tess4j (opens new window)

Tess4J是对Tesseract OCR API 的Java JNA 封装。使 java 能够通过调用 Tess4J 的 API 来使用 Tesseract OCR。

# maven引入

<!-- Tess4J依赖 -->
<dependency>
    <groupId>net.sourceforge.tess4j</groupId>
    <artifactId>tess4j</artifactId>
    <version>5.4.0</version>
</dependency>
1
2
3
4
5
6

# 导入语言库

tessdata 语言库下载地址：https://github.com/tesseract-ocr/tessdata (opens new window)

下载 Tess4J 的所需要的语言库，我下载了 chi_sim.traineddata（中文简体）、eng.traineddata（英文）、jpn.traineddata（日文）三个语言库，存放在 resources 的 data 目录下，其他语言库可根据自己需求选择下载。

注意：如果你下载的语言库只有几十、几百kb，说明你下载异常了，程序启动不了的，解决办法就是连接外网下载。

# 主要实现代码

 // 执行OCR识别
 private void execute(BufferedImage targetImage) {
     try {
         File tempFile = new File(tempImage);
         if (tempFile == null) {
             tempFile.mkdirs();
         }
         tempFile.mkdirs();
         ImageIO.write(targetImage, "jpg", tempFile);
     } catch (IOException e) {
         e.printStackTrace();
     }
     File file = new File(tempImage);

     ITesseract instance = new Tesseract();
     // 设置语言库位置
     instance.setDatapath("src/main/resources/data");
     // 设置语言
     instance.setLanguage(language);
     Thread thread = new Thread() {
         public void run() {
             String result = null;
             try {
                 result = instance.doOCR(file);
             } catch (Exception e) {
                 e.printStackTrace();
             }
             resultArea.setText(result);
         }
     };
     ProgressBar.show(this, thread, "图片正在识别中，请稍后...", "执行结束", "取消");
 }
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33

当图片内的文字比较清晰时，中文的识别度还是挺高的，特别是图像对比度高的话对于文字识别成功影响很大；而且如果字体较为相近，则容易出错。

短信服务