java图片文字识别_java初探Tess4j识别图片文字

想学习下识别图片中的文字，找到了Tess4j图文识别的方式，于是就初步探究下，玩下识别验证码。

第一步，下载

1、以3.4.2版本为例，下载Tess4j-3.4.2-src.zip。

2、下载中文字库，chi_sim.traineddata。

下载Tess4j参考：

http://sourceforge.net/projects/tess4j/

字库下载参考：

https://github.com/tesseract-ocr/tessdata/tree/3.04.00

api文档参考：

http://tess4j.sourceforge.net/docs/docs-3.4/

第二步，准备工作

1、解压Tess4J-3.4.2-src.zip。

2、把根目录的lib和dist相关jar拷贝到你的项目lib中。

3、再把tessdata目录拷贝到你的项目根目录中。

4、再把中文字库放入tessdata目录。

5、dll不用理，Tess4j.jar已经包含。

6、如果遇到异常，Error: Invalid memory access，Error opening data file ./tessdata/eng.traineddata说明tessdata路径不对。

压缩包目录：

如果是使用maven：

就在pom.xml加入即可。

net.sourceforge.tess4j

tess4j

3.4.2

我的项目test for java结构：

Tess4j依赖jar参考：commons-beanutils-1.9.2.jar

commons-io-2.6.jar

commons-logging-1.2.jar

ghost4j-1.0.1.jar

hamcrest-core-1.3.jar

itext-2.1.7.jar

jai-imageio-core-1.3.1.jar

jboss-vfs-3.2.12.Final.jar

jcl-over-slf4j-1.7.25.jar

jna-4.1.0.jar

jul-to-slf4j-1.7.25.jar

junit-4.12.jar

lept4j-1.6.2.jar

log4j-1.2.17.jar

log4j-over-slf4j-1.7.25.jar

logback-classic-1.2.3.jar

logback-core-1.2.3.jar

slf4j-api-1.7.25.jar

xmlgraphics-commons-1.5.jar

第三步，开发测试

官方简单例子：package net.sourceforge.tess4j.example;

import java.io.File;

import net.sourceforge.tess4j.*;

public class TesseractExample {

public static void main(String[] args) {

File imageFile = new File("eurotext.tif");

ITesseract instance = new Tesseract();  // JNA Interface Mapping

// ITesseract instance = new Tesseract1(); // JNA Direct Mapping

try {

String result = instance.doOCR(imageFile);

System.out.println(result);

} catch (TesseractException e) {

System.err.println(e.getMessage());

}

}

}

我的初探例子：package com.weizhixi;

import net.sourceforge.tess4j.ITesseract;

import net.sourceforge.tess4j.Tesseract;

import net.sourceforge.tess4j.util.ImageHelper;

import javax.imageio.ImageIO;

import java.awt.image.BufferedImage;

import java.io.File;

public class Test {

public static void main(String[] args) throws Exception{

testEn();

//testZh();

}

//使用英文字库 - 识别图片

public static void testEn() throws Exception {

File imageFile = new File("C:/Users/XQ/Desktop/en.png");

BufferedImage image = ImageIO.read(imageFile);

//对图片进行处理

image = convertImage(image);

ITesseract instance = new Tesseract();//JNA Interface Mapping

String result = instance.doOCR(image); //识别

System.out.println(result);

}

//使用中文字库 - 识别图片

public static void testZh() throws Exception {

File imageFile = new File("C:/Users/XQ/Desktop/zh.png");

BufferedImage image = ImageIO.read(imageFile);

//对图片进行处理

//image = convertImage(image);

ITesseract instance = new Tesseract();//JNA Interface Mapping

instance.setLanguage("chi_sim");//使用中文字库

String result = instance.doOCR(image); //识别

System.out.println(result);

}

//对图片进行处理 - 提高识别度

public static BufferedImage convertImage(BufferedImage image) throws Exception {

//按指定宽高创建一个图像副本

//image = ImageHelper.getSubImage(image, 0, 0, image.getWidth(), image.getHeight());

//图像转换成灰度的简单方法 - 黑白处理

image = ImageHelper.convertImageToGrayscale(image);

//图像缩放 - 放大n倍图像

image = ImageHelper.getScaledInstance(image, image.getWidth() * 3, image.getHeight() * 3);

return image;

}

}

处理倾斜图片：

如果图片字体倾斜的，可以用下面代码纠正BufferedImage bi = ImageIO.read(imageFile);

ImageDeskew id = new ImageDeskew(bi);

double imageSkewAngle = id.getSkewAngle(); //获取倾斜角度

if ((imageSkewAngle > 0.05d || imageSkewAngle 

bi = ImageHelper.rotateImage(bi, -imageSkewAngle); //纠偏图像

}

测试1：

测试一张英文截图en.png。

未使用图像简单处理，运行读取图片文字：

发现有几次无法准确识别。

使用convertImage方法对图像简单处理，运行读取图片文字：

发现已经完全识别了。

测试2：

测试一张中文图片zh.png

用不用convertImage，测试结果都正常：

测试3：

来点复杂的图片：

来看看识别输出：

1、未使用图像处理

2、使用图像处理

发现识别度提高了很多，但部分还是未能够识别。

测试4：

识别干扰度比较低的简单验证码

识别结果：已经正确识别了。

经测试多张各种验证码，干扰度比较大的，扭曲字体的验证码不能识别。

关于训字库

训字库能提高中文字库的识别度。

需要下载中文字库：chi_sim.traindata

需要下载tesseract-ocr安装：tesseract-ocr-setup.exe

需要下载jTessBoxEditor用于修改box文件

至于怎么训字库，这里不展开说了。

初探总结

初探了一天，发现初级简单应用Tess4j：

1、只能识别几乎没有干扰，比较清晰的图片。

2、对图片灰度处理和放大处理，能提高识别度，但不是一定能起作用。

3、如果不准确的识别，可能要去训字库了，如测试识别图中的逗号，已经变成偏上的点了。

4、识别度受字体颜色、大小、清晰度、干扰度、扭曲、倾斜等度影响。

5、官方还提供了一些test例子，还有很多操作和应用。

初级应用只是简单的识别，能识别复杂度很大的图片文字，那是要很多牛B技术和逻辑的大神级操作。

如果想识别度很高很高几乎所有都能识别，又要快速集成、建议还是调用第三方识别API了，有些要收费的有些不用收费但有调用频次限制。

Demo下载

由于资源太大，我就不上传到我网站了。

请到我的网盘下载：

链接：https://pan.baidu.com/s/1dHje9pR

密码：z0bi

内含：

1、项目：基于maven_test4j例子项目.zip

2、官方Tess4j：Tess4J-3.4.2-src.zip

3、中文训字库：chi_sim.traineddata

原创文章，转载请注明出处：https://www.weizhixi.com/article/59.html