基于Tesseract—OCR技术的文字识别优化

 

一、需求分析

对天猫平台的企业信息采集下来进行结构化处理，提取出文字信息后汇总进Excel作为交付文件。

主要的功能设计如下：

1、程序能够自动读取企业工商信息图片所在的文件夹路径，并从文件夹路径中顺序取出图片进行识别，最终的识别结果以一份汇总的Excel交付。

2、因为天猫平台公示的图片内容没有固定格式，所以需要程序能匹配不同格式的图片内容提取信息。

3、能够提取出图片中的企业注册号、企业名称数据项，企业注册号、企业名称数据项要进行分析处理。

4、识别准确率需要保证在95%以上。

5、识别速度保持在60秒识别50张图片。

二、本程序处理图片方面的关键模块

1、对图片进行切割：

要求识别的文字信息“企业名称”“企业注册号”位于整个图片的其中一部分，把剩余部分切除，只留下关键信息部分，不但可以提高识别速度，还可提升识别率。

2、在进行图片的二值化时，有两种方式：

（1）图片为彩色时，宜找到每个像素点合适的灰色度，因为每个像素点的灰色度不同程度上受到周边像素加权影响，从而影响整个图片的识别率。比如本像素点加上周围8个灰度值再除以9，算出其相对灰度值。

（2）图片为黑白色时，宜采用max-min方法对图片进行二值化。

针对本程序识别的图片的黑白色对比明显，故采用max-min方法进行二值化。

private static File binaryImage（File orcFile） throws IOException {

// 获取图片的BufferedImage对象

BufferedImage bi = ImageIO.read（orcFile）；

int h = bi.getHeight（）；// 获取图片的高

int w = bi.getWidth（）；// 获取图片的宽

BufferedImage nbi = new BufferedImage（w， h， BufferedImage.TYPE_BYTE_BINARY）；

// 设置合适的经验阈值，对二值化的识别效果起重要作用

int threshold = new Color（20， 20， 20）.getRGB（）；// 阈值对应的颜色位于黑色文字和偏黑色背景颜色区间即可

for （int x = 0； x < w； x++） {

for （int y = 0； y < h； y++） {

// 二值化處理

if （bi.getRGB（x， y） > threshold） {

int max = new Color（255， 255， 255）.getRGB（）；

nbi.setRGB（x， y， max）；

} else {

int min = new Color（0， 0， 0）.getRGB（）；

nbi.setRGB（x， y， min）；

}

}

}

// 将二值化处理后的图片放于D：＼＼orc_cut_binary下

String orcFileName = orcFile.getName（）；

String binaryDir = "D：＼＼orc_cut_binary"；

File dir = new File（binaryDir）；

// 存储目录不存在，则创建目录

if （！dir.exists（）） {

dir.mkdirs（）；

}

File binaryFile = new File（binaryDir + "/" + orcFileName.substring（0， orcFileName.indexOf（"."）） + "binary.png"）；

ImageIO.write（nbi， "png"， binaryFile）；

return binaryFile；

}

3、在选取二值化中的经验阈值，我们有以下思路：

（1）二值化微分计算阈值

（2）二值化类卷积的对梯度变化加强得到阈值

对24位位图进行中值滤波会改变RGB各分量的值，所以图片的颜色会发生变化，但对于8位的位图，由于都是灰度的颜色，所以变化并不明显，而且滤波的窗口选的越大，对应的滤波效果的模糊度也会上升。

4、增加图片的亮度：

增加图片亮度可以使有些彩色图片的识别率大大增加，本程序别的图片为黑白照片，增加图片亮度提升的识别率并不乐观。

5、对图片的边缘进行尖锐化处理：

锐化可以快速调整图像边缘细节的对比度，并在边缘的两侧生成一条亮线一条暗线，使画面整体更加清晰。对于高分辨率的输出，通常锐化效果在屏幕上显示比印刷出来的更明显。在图片的Alpha值保持不变的情况下，本程序前期也进行了锐化处理，但效果并不明显，有时识别率甚至可能低于未锐化处理的图片。

6、对图片进行平滑缩放：

有时很多图片本身无法很好的被识别，但当放大适当倍数时，就可增强识别率，但这个“适当倍数”很难把控，它受诸多硬件因素影响，比如电脑配置、针式打印机打印连贯性差等问题。