AI 识别文字tesseract-ocr+jTessBoxEditorFX-2.4.1+OpenCV

第一获取OpenCV 的 对应 特征分类器文件（可以直接下载OpenCV，“opencv4.5.1\opencv\sources\data\haarcascades\haarcascade_frontalface_alt.xml”）

第二部 获取一份 .traineddata文件，这个文件是Tesseract OCR引擎用于识别文本的训练数据文件

训练文件可以用 jTessBoxEditorfx工具进行训练产生 .traineddata文件
训练1 准备一个训练的基础的***.tiff***文件
训练2 使用jTessBoxEditor生成训练样本的的合并tif图片：

（1）打开jTessBoxEditor，选择Tools->Merge TIFF，进入训练样本所在文件夹，选中要参与训练的样本图片（图片格式最好是.tiff）。
（2）点击 “打开” 后弹出保存对话框，选择保存在当前路径下，文件命名为 “xxx.font.exp0.tif” ，格式只有一种 “TIFF” 可选。

tif文面命名格式[lang].[fontname].exp[num].tiff

lang是语言，fontname是字体，num为自定义数字。

比如我们要训练自定义字库 xxx，字体名font，那么我们把图片文件命名为 xxx.font.exp0.tiff

(3)使用tesseract生成.box文件：

在上一步骤生成的“xxx.font.exp0.tif”文件所在目录下打开命令行程序（即在cmd中切换盘符到文件目录下），执行下面命令,执行完之后会生成xxx.font.exp0.box文件。

tesseract number.font.exp0.tiff number.font.exp0 –l eng batch.nochop makebox

(4)使用 jTessBoxEditor矫正.box文件的错误
jTessBoxEditor点击Box Editor ->Open，打开步骤2中生成的“zwp.test.exp0.tif”，会自动关联到“zwp.test.exp0.box”文件，这两文件要求在同一目录下。调整完点击“save”保存修改
(5)生成font_properties文件：（该文件没有后缀名）
手工新建一个名为font_properties的文本文件，输入内容 “font0 0 0 0 0” 表示字体font的粗体、倾斜等共计5个属性。这里的“font”必须与“xxx.font.exp0.box”中的“font”名称一致
(6)执行过程命令 最终获取到***.traineddata*** 文件
脚本：

echo Run Tesseract for Training.. 
tesseract.exe number.font.exp0.tiff number.font.exp0 nobatch box.train 

echo Compute the Character Set.. 
unicharset_extractor.exe number.font.exp0.box 

mftraining -F font_properties -U unicharset -O number.unicharset number.font.exp0.tr

echo Clustering.. 
cntraining.exe number.font.exp0.tr

echo Rename Files.. 
rename normproto number.normproto 
rename inttemp number.inttemp 
rename pffmtable number.pffmtable 
rename shapetable number.shapetable  

echo Create Tessdata.. 
combine_tessdata.exe number.
echo. & pause

将该文件夹下的***.traineddata***文件 放到tesseract-ocr系项目下的\tesseract-ocr\tessdata下
代码使用实例：
maven文件的pom：

<dependencies>
        <!-- OpenCV dependency -->
        <dependency>
            <groupId>org.openpnp</groupId>
            <artifactId>opencv</artifactId>
            <version>4.5.1-2</version>
        </dependency>
        <dependency>
            <groupId>javax.media</groupId>
            <artifactId>jmf</artifactId>
            <version>2.1.1e</version>
        </dependency>
        <dependency>
            <groupId>net.sourceforge.tess4j</groupId>
            <artifactId>tess4j</artifactId>
            <version>4.5.4</version>
        </dependency>
    </dependencies>

方法函数：

public static void scanWordOCR(String fieldPath,String fieldName) throws TesseractException {

        // Load the OpenCV library
        System.loadLibrary(Core.NATIVE_LIBRARY_NAME);

        // Load the image file
        Mat image = Imgcodecs.imread(fieldPath+"/"+fieldName);

        // Convert the image to grayscale
        Mat grayImage = new Mat();
        Imgproc.cvtColor(image, grayImage, Imgproc.COLOR_BGR2GRAY);

        // Apply adaptive thresholding to the grayscale image
        Mat threshImage = new Mat();
        Imgproc.adaptiveThreshold(grayImage, threshImage, 255, Imgproc.ADAPTIVE_THRESH_GAUSSIAN_C, Imgproc.THRESH_BINARY, 15, 5);

        String filedPashGrayscale = fieldPath+"/thresholded_image.png";

        //根据灰度处理后的数据生成，新的灰度文件
        Imgcodecs.imwrite(filedPashGrayscale, threshImage);

        // 加载 Tesseract OCR 引擎
        Tesseract tesseract = new Tesseract();

        // Set the path to the Tesseract database
        tesseract.setDatapath("D:/tesseract-ocr/tessdata");

        //这里就是我们自己训练生成的.traineddata文件名（不带后缀）
        tesseract.setLanguage("number");

        // 需要识别的图片文件位置
        String result = tesseract.doOCR(new File(filedPashGrayscale));

        // Print the OCR result
        System.out.println(result);

演示结果
需要识别的图片文件

识别结果