开源OCR识别框架Tess4j简单使用

1、简介

Tesseract的OCR引擎最先由HP实验室于1985年开始研发,至1995年时已经成为OCR业内最准确的三款识别引擎之一。Tesseract目前已作为开源顶目发布在GoogleProject,它与Leptonica图片处理库结合,可以读取各种格式的图像并将它们转化成超过60种语言的文本,我们还可以不断训 练自己的库,使图像转换文本的能力不断增强,如果团队深度需要,还可以以它为模板,开发出等合自身需求的OCR引擎。

Tess4J 是Java （JNA） 对 Tesseract OCR API 的封装。

Tesseract：https://tesseract-ocr.github.io/

Tess4J官网：http://tess4j.sourceforge.net/codesample.html

语言库：

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

https://codechina.csdn.net/mirrors/tesseract-ocr/tessdata

2、通过一个简单的Demo来使用Tess4J的OCR功能

2.1 demo前准备

由于要识别中文，需要中文库chi_sim.traineddata，可以到上面的语言库中下载。

下载好后存放在D:\\tessdata文件夹下。

然后新建D:\\verifyImg文件夹，将需要进行识别的图片放入该文件夹。

2.2 开始demo

新建maven项目，引入依赖：

<dependency>
            <groupId>net.sourceforge.tess4j</groupId>
            <artifactId>tess4j</artifactId>
            <version>4.5.4</version>
        </dependency>

Demo：

public class Tess4jDemo {

    public static void main(String[] args) throws TesseractException {
        final ITesseract instance = new Tesseract();
        // 语言库位置
        instance.setDatapath("D:\\tessdata");
        // 中英文库
//        instance.setLanguage("eng+chi_sim");
        // 简体中文库
        instance.setLanguage("chi_sim");
        // 待识别的图片路径
        File imageLocation = new File("D:\\verifyImg");
        for (File image : imageLocation.listFiles()) {
            System.out.println(image.getName() + "---" + instance.doOCR(image));
        }
    }
}

我们先进行简单的测试，识别算术验证码：

 运行demo， 识别结果如下：

 这种还都识别出来了，正确率还挺高的。

接下来测试识别英文和汉字：

识别结果：

 

当然识别结果还是有一定的错误率的，如果想要提升识别率，需要去训练字库，有兴趣的可以去了解下。