Tesseract-ocr文字識別

時間 2019-11-10

標籤 tesseract ocr 文字識別简体版

原文原文鏈接

當我瀏覽http://code.google.com/p/tesseract-ocr並下載了幾個文件下來以後頓時感到一頭霧水，不知該如何下手。網上看到有人在linux操做系統下的實現，html

如：java

利用開源程序（ImageMagick+tesseract-ocr）實現圖像驗證碼識別 linux

但卻不多看到在windows下的相關文章介紹。ios

接下來我將一步步講述如何採用tesseract-ocr識別含有中文的圖片。windows

一、下載tesseract-ocr（注意3.0版本以後才支持中文的識別）app

tesseract-ocr-setup-3.00.exe 測試

chi_sim.traineddata.gz 網站

二、安裝tesseract-ocrui

解壓縮，雙擊 tesseract-ocr-setup-3.00.exe 便可根據提示一步步安裝，本人安裝的目錄是：D:/Program Files/Tesseract-OCRgoogle

在該目錄下可看到tesseract.exe文件，這就是咱們後面程序中會調用到的運行進程。

三、自定義安裝語言包

D:/Program Files/Tesseract-OCR目錄下找到/tessdata目錄，其是用來存放語言包，可把chi_sim.traineddata.gz 解壓縮以後的chi_sim.traineddata文件複製到該目錄下便可。

四、編寫測試代碼

在編寫代碼以前下載兩個jar包：jai_imageio-1.1-alpha.jar、swingx-1.0.jar，可在www.findjar.com 網站上去下載。

[java] view plain copy

import java.awt.image.BufferedImage;
import java.io.File;
import java.io.IOException;
import java.util.Iterator;
import java.util.Locale;
import javax.imageio.IIOImage;
import javax.imageio.ImageIO;
import javax.imageio.ImageReader;
import javax.imageio.ImageWriteParam;
import javax.imageio.ImageWriter;
import javax.imageio.metadata.IIOMetadata;
import javax.imageio.stream.ImageInputStream;
import javax.imageio.stream.ImageOutputStream;
import com.sun.media.imageio.plugins.tiff.TIFFImageWriteParam;
public class ImageIOHelper {
/**
* 圖片文件轉換爲tif格式
* @param imageFile 文件路徑
* @param imageFormat 文件擴展名
* @return
*/
public static File createImage(File imageFile, String imageFormat) {
File tempFile = null;
try {
Iterator<ImageReader> readers = ImageIO.getImageReadersByFormatName(imageFormat);
ImageReader reader = readers.next();
ImageInputStream iis = ImageIO.createImageInputStream(imageFile);
reader.setInput(iis);
//Read the stream metadata
IIOMetadata streamMetadata = reader.getStreamMetadata();
//Set up the writeParam
TIFFImageWriteParam tiffWriteParam = new TIFFImageWriteParam(Locale.CHINESE);
tiffWriteParam.setCompressionMode(ImageWriteParam.MODE_DISABLED);
//Get tif writer and set output to file
Iterator<ImageWriter> writers = ImageIO.getImageWritersByFormatName("tiff");
ImageWriter writer = writers.next();
BufferedImage bi = reader.read(0);
IIOImage image = new IIOImage(bi,null,reader.getImageMetadata(0));
tempFile = tempImageFile(imageFile);
ImageOutputStream ios = ImageIO.createImageOutputStream(tempFile);
writer.setOutput(ios);
writer.write(streamMetadata, image, tiffWriteParam);
ios.close();
writer.dispose();
reader.dispose();
} catch (IOException e) {
e.printStackTrace();
}
return tempFile;
}
private static File tempImageFile(File imageFile) {
String path = imageFile.getPath();
StringBuffer strB = new StringBuffer(path);
strB.insert(path.lastIndexOf('.'),0);
return new File(strB.toString().replaceFirst("(?<=//.)(//w+)$", "tif"));
}
}

[java] view plain copy

import java.io.BufferedReader;
import java.io.File;
import java.io.FileInputStream;
import java.io.InputStreamReader;
import java.util.ArrayList;
import java.util.List;
import org.jdesktop.swingx.util.OS;
public class OCR {
private final String LANG_OPTION = "-l"; //英文字母小寫l，並不是數字1
private final String EOL = System.getProperty("line.separator");
private String tessPath = "D://Program Files//Tesseract-OCR";
//private String tessPath = new File("tesseract").getAbsolutePath();
public String recognizeText(File imageFile,String imageFormat)throws Exception{
File tempImage = ImageIOHelper.createImage(imageFile,imageFormat);
File outputFile = new File(imageFile.getParentFile(),"output");
StringBuffer strB = new StringBuffer();
List<String> cmd = new ArrayList<String>();
if(OS.isWindowsXP()){
cmd.add(tessPath+"//tesseract");
}else if(OS.isLinux()){
cmd.add("tesseract");
}else{
cmd.add(tessPath+"//tesseract");
}
cmd.add("");
cmd.add(outputFile.getName());
cmd.add(LANG_OPTION);
cmd.add("chi_sim");
//cmd.add("eng");
ProcessBuilder pb = new ProcessBuilder();
pb.directory(imageFile.getParentFile());
cmd.set(1, tempImage.getName());
pb.command(cmd);
pb.redirectErrorStream(true);
Process process = pb.start();
//tesseract.exe 1.jpg 1 -l chi_sim
int w = process.waitFor();
//刪除臨時正在工做文件
tempImage.delete();
if(w==0){
BufferedReader in = new BufferedReader(new InputStreamReader(new FileInputStream(outputFile.getAbsolutePath()+".txt"),"UTF-8"));
String str;
while((str = in.readLine())!=null){
strB.append(str).append(EOL);
}
in.close();
}else{
String msg;
switch(w){
case 1:
msg = "Errors accessing files.There may be spaces in your image's filename.";
break;
case 29:
msg = "Cannot recongnize the image or its selected region.";
break;
case 31:
msg = "Unsupported image format.";
break;
default:
msg = "Errors occurred.";
}
tempImage.delete();
throw new RuntimeException(msg);
}
new File(outputFile.getAbsolutePath()+".txt").delete();
return strB.toString();
}
}

[java] view plain copy

import java.io.File;
import java.io.IOException;
public class TestOCR {
/**
* @param args
*/
public static void main(String[] args) {
String path = "d://test//chi.jpg";
try {
String valCode = new OCR().recognizeText(new File(path), "jpg");
System.out.println(valCode);
} catch (IOException e) {
e.printStackTrace();
} catch (Exception e) {
e.printStackTrace();
}
}
}

經過本人的測試對於中文的識別雖然不是很完美，至少其可支持了，但最大的缺點就是速度慢。中文原本就很複雜，並且其語言包就達到50多M，和英文語言包比起來真是..............

測試圖片，可右擊「圖片另存爲」

解析輸出結果：

1、引孟4
1. 1 從體驗經濟到體驗設計駟
隨着社會生產力發展水平的提升和人類需求層次的升級, 體驗經濟也就成
爲了經濟發展的必然趨勢。體驗經濟日漸顯現, 出現了服務於它的體驗設計。、
設計是創新的重要組成部分。茌強調目主創新的六環i競下, 申國的企業應
該兗分關注體驗設計的新趨勢‘。體驗設計的理論正茌成爲現代企業開發產品和
服務頂目的重要依據。現階段, IT 領域很早就注意到了這一點, 百度、騰訊、
支付寶、阿里巴巴等着屬設有專門的用戶體驗部, 爲其產品和服務增長附加價值,
也更六程度她讓用戶滿意, 最終荻得了最佳企業效益。、
同時7 隨看現代產品設計思想的成熟, 產品設計也愈來愈聚焦於人自己一
7人的存茌, 人的須要7 持別是人的情感須要。設計與人, 人與設計, 設計是
否能夠有長遠意義, 是否能夠印證人的真買存茌, 是否能夠幫助人們理解目己,
認識世界。這個問題己偏同於哲學, 但卻確買是設計這種文化形式的內茌訴求。
愈來愈多的產品遍過設計, 茌與人交互的過程申7 令人產生愉悅的體驗, 並茌
這個體驗的後期, 讓人產生反思, 遍過反思得以認識自己7 發展自己。找想這
點是設計成爲一種優點文化, 而所要肩負的必要責任。 ~

測試中發現的幾個注意點：

一、如果一份英文文檔其對英文字母o絕大部分會識別爲數字0。因此如果英文和數字的文檔，最好不要加入中文語言包，而是引入eng.traineddata語言包到D:/Program Files/Tesseract-OCR/tessdata目錄下。

看到OCR 類31-32行代碼

cmd.add("chi_sim");
//cmd.add("eng");

去掉 //cmd.add("eng");前的註釋，但記得在cmd.add("chi_sim");前加上註釋哦，否則你就看不到效果了哦。

二、測試中還發現一個問題，有時候在目錄下已經生成臨時文件而且識別出的文字寫入到output.txt,可是在int w = process.waitFor();則阻塞了中止運行再也沒有反應了，以至控制檯始終沒有打印出文字。

解析（參考）：剛開始想到直接去掉這個語句算了，可是運行的時候會報運行錯誤。最後在 http://www.cnblogs.com/xxpal/articles/824963.html看到下面一段文字說明：在 Windows平臺上，運行被調用程序的DOS窗口在程序執行完畢後每每並不會自動關閉，從而致使Java應用程序阻塞在waitfor()語句。致使該現象的一個可能的緣由是，該可執行程序的標準輸出比較多，而運行窗口的標準輸出緩衝區不夠大。解決的辦法是，利用Java中Process類提供的方法讓 Java虛擬機截獲被調用程序的DOS運行窗口的標準輸出，在waitfor()命令以前讀出窗口的標準輸出緩衝區中的內容。

解決辦法：在int w = process.waitFor();代碼行前面加上

      String s;
      BufferedReader bufferedReader = new BufferedReader(new InputStreamReader(process.getInputStream()));
      while((s=bufferedReader.readLine()) != null);

int w = process.waitFor();

再次運行試試看吧。

相關標籤/搜索

每日一句

每一个你不满意的现在，都有一个你没有努力的曾经。