JAVA使用Tess4J進行ocr識別

標籤：sys   ofo   tostring   檔案   --   keyword   tle   output   儲存   

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。支援的格式：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、直接識別支援的檔案
2、識別圖片流
3、識別圖片的某塊地區
4、將識別結果儲存為 TEXT/ HOCR/ PDF/ UNLV/ BOX
5、通過設定取詞的等級，提取識別出來的文字
6、獲得每一個識別地區的具體座標範圍
7、調整傾斜的圖片
8、裁剪圖片
9、調整圖片解析度
10、從粘貼板獲得映像
11、複製一個映像（目的：建立一份一模一樣的圖片，與原圖在操作修改上，不相 互影響）
12、圖片轉換為二進位、黑白映像、灰階映像
13、反轉圖片顏色
demo.java:

    /**     * Test of doOCR method, of class Tesseract.     * 根據圖片檔案進行識別     * @throws Exception while processing image.     */    @Test    public void testDoOCR_File() throws Exception {        logger.info("doOCR on a jpg image");        File imageFile = new File(this.testResourcesDataPath, "ocr.png");        //set language        instance.setDatapath(testResourcesLanguagePath);        instance.setLanguage("chi_sim");        String result = instance.doOCR(imageFile);        logger.info(result);    }    /**     * Test of doOCR method, of class Tesseract.     * 根據圖片流進行識別     * @throws Exception while processing image.     */    @Test    public void testDoOCR_BufferedImage() throws Exception {        logger.info("doOCR on a buffered image of a PNG");        File imageFile = new File(this.testResourcesDataPath, "ocr.png");        BufferedImage bi = ImageIO.read(imageFile);        //set language        instance.setDatapath(testResourcesLanguagePath);        instance.setLanguage("chi_sim");        String result = instance.doOCR(bi);        logger.info(result);    }    /**     * Test of getSegmentedRegions method, of class Tesseract.     * 得到每一個劃分地區的具體座標     * @throws java.lang.Exception     */    @Test    public void testGetSegmentedRegions() throws Exception {        logger.info("getSegmentedRegions at given TessPageIteratorLevel");        File imageFile = new File(testResourcesDataPath, "ocr.png");        BufferedImage bi = ImageIO.read(imageFile);        int level = TessPageIteratorLevel.RIL_SYMBOL;        logger.info("PageIteratorLevel: " + Utils.getConstantName(level, TessPageIteratorLevel.class));        List<Rectangle> result = instance.getSegmentedRegions(bi, level);        for (int i = 0; i < result.size(); i++) {            Rectangle rect = result.get(i);            logger.info(String.format("Box[%d]: x=%d, y=%d, w=%d, h=%d", i, rect.x, rect.y, rect.width, rect.height));        }        assertTrue(result.size() > 0);    }    /**     * Test of doOCR method, of class Tesseract.     * 根據定義座標範圍進行識別     * @throws Exception while processing image.     */    @Test    public void testDoOCR_File_Rectangle() throws Exception {        logger.info("doOCR on a BMP image with bounding rectangle");        File imageFile = new File(this.testResourcesDataPath, "ocr.png");        //設定語言庫        instance.setDatapath(testResourcesLanguagePath);        instance.setLanguage("chi_sim");        //劃定地區        // x,y是以左上方為原點，width和height是以xy為基礎        Rectangle rect = new Rectangle(84, 21, 15, 13);        String result = instance.doOCR(imageFile, rect);        logger.info(result);    }    /**     * Test of createDocuments method, of class Tesseract.     * 儲存結果     * @throws java.lang.Exception     */    @Test    public void testCreateDocuments() throws Exception {        logger.info("createDocuments for png");        File imageFile = new File(this.testResourcesDataPath, "ocr.png");        String outputbase = "target/test-classes/docrenderer-2";        List<RenderedFormat> formats = new ArrayList<RenderedFormat>(Arrays.asList(RenderedFormat.HOCR, RenderedFormat.TEXT));        //設定語言庫        instance.setDatapath(testResourcesLanguagePath);        instance.setLanguage("chi_sim");        instance.createDocuments(new String[]{imageFile.getPath()}, new String[]{outputbase}, formats);    }    /**     * Test of getWords method, of class Tesseract.     * 取詞方法     * @throws java.lang.Exception     */    @Test    public void testGetWords() throws Exception {        logger.info("getWords");        File imageFile = new File(this.testResourcesDataPath, "ocr.png");        //設定語言庫        instance.setDatapath(testResourcesLanguagePath);        instance.setLanguage("chi_sim");        //按照每個字取詞        int pageIteratorLevel = TessPageIteratorLevel.RIL_SYMBOL;        logger.info("PageIteratorLevel: " + Utils.getConstantName(pageIteratorLevel, TessPageIteratorLevel.class));        BufferedImage bi = ImageIO.read(imageFile);        List<Word> result = instance.getWords(bi, pageIteratorLevel);        //print the complete result        for (Word word : result) {            logger.info(word.toString());        }    }    /**     * Test of Invalid memory access.     * 處理傾斜     * @throws Exception while processing image.     */    @Test    public void testDoOCR_SkewedImage() throws Exception {        //設定語言庫        instance.setDatapath(testResourcesLanguagePath);        instance.setLanguage("chi_sim");        logger.info("doOCR on a skewed PNG image");        File imageFile = new File(this.testResourcesDataPath, "ocr_skewed.jpg");        BufferedImage bi = ImageIO.read(imageFile);        ImageDeskew id = new ImageDeskew(bi);        double imageSkewAngle = id.getSkewAngle(); // determine skew angle        if ((imageSkewAngle > MINIMUM_DESKEW_THRESHOLD || imageSkewAngle < -(MINIMUM_DESKEW_THRESHOLD))) {            bi = ImageHelper.rotateImage(bi, -imageSkewAngle); // deskew image        }        String result = instance.doOCR(bi);        logger.info(result);    }

Tess4JDemo碼雲地址：https://gitee.com/zhaohuihbwj/Tess4JDemo

 

Java OCR文字識別（Tess4J）2017年10月17日 10:11:10閱讀數：6372

       OCR （Optical Character Recognition，光學字元辨識）是指電子裝置（例如掃描器或數位相機）檢查紙上列印的字元，通過檢測暗、亮的模式確定其形狀，然後用字元識別方法將形狀翻譯成電腦文字的過程；即，針對印刷體字元，採用光學的方式將紙質文檔中的文字轉換成為黑白點陣的影像檔，並通過識別軟體將映像中的文字轉換成文字格式設定，供文文書處理軟體進一步編輯加工的技術。如何除錯或利用輔助資訊提高識別正確率，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系統效能好壞的主要指標有：拒識率、誤識率、識別速度、使用者介面的友好性，產品的穩定性，易用性及可行性等。

       Tess4J是對google tesseract ocr的java庫的一種實現

1.maven添加依賴

 

<!-- https://mvnrepository.com/artifact/net.sourceforge.tess4j/tess4j --><dependency>    <groupId>net.sourceforge.tess4j</groupId>    <artifactId>tess4j</artifactId>    <version>3.2.1</version></dependency>

2.工具類編輯

 

 

/** * tesseract for java， ocr（Optical Character Recognition，光學字元辨識）* 工具類* @author wind */public class Tess4jUtils {    /**     * 從圖片中提取文字,預設設定英文字型檔,使用classpath目錄下的訓練庫* @param path* @return*/public static String readChar(String path){        // JNA Interface Mapping        ITesseract instance = new Tesseract();        // JNA Direct Mapping        // ITesseract instance = new Tesseract1();        File imageFile = new File(path);        //In case you don‘t have your own tessdata, let it also be extracted for you        //這樣就能使用classpath目錄下的訓練庫了        File tessDataFolder = LoadLibs.extractTessResources("tessdata");        //Set the tessdata path        instance.setDatapath(tessDataFolder.getAbsolutePath());        //英文庫識別數字比較準確        instance.setLanguage(Const.ENG);        return getOCRText(instance, imageFile);    }    /**     * 從圖片中提取文字* @param path 圖片路徑* @param dataPath 訓練庫路徑* @param language 語言字型檔* @return*/public static String readChar(String path, String dataPath, String language){        File imageFile = new File(path);        ITesseract instance = new Tesseract();        instance.setDatapath(dataPath);        //英文庫識別數字比較準確        instance.setLanguage(language);        return getOCRText(instance, imageFile);    }    /**     * 識別圖片檔案中的文字* @param instance* @param imageFile* @return*/private static String getOCRText(ITesseract instance, File imageFile){        String result = null;        try {            result = instance.doOCR(imageFile);        } catch (TesseractException e) {            e.printStackTrace();        }        return result;    }    public static void main(String[] args) {        /*String path = "src/main/resources/image/text.png";        System.out.println(readChar(path));*/        String ch = "src/main/resources/image/ch.png";        System.out.println(readChar(ch, "src/main/resources", Const.CHI_SIM));    }}

注釋:中文結果不夠準確，需要自己訓練字型檔

具體訓練字型檔，以及完整代碼請移步https://github.com/followwwind/javautils

JAVA使用Tess4J進行ocr識別