Java OCR tesseract 图像智能字符识别技术 Java代码实现

公司有需求啊，所以就得研究哈，最近公司需要读验证码，于是就研究起了图像识别，应该就是传说中的（OCR：光学字符识别OCR），下面把今天的收获整理一个给大家做个分享。

本人程序用的tesseract，官方地址：https://code.google.com/p/tesseract-ocr/，不为别的，谁让它支持我们的天朝的文字呢~哈

下载好程序后解压：

大概可以看到这样一个目录，别见怪楼主里面一堆测试文件。

然后就开始我们的测试之旅：

tesseract的用法：

参数1：需要识别的文件

参数2：输出的文件名称，输出的是文本文件，里面保存了识别的信息

识别英文这两个参数就可以了，下面做个实验：

我们在命令行输入：tesseract 5.jpg 6 ，可以看到程序生成了一个6.txt ，里面保存着识别后的文本，怎么样简单又给力~

上面说道tesseract 是支持中文的，所以么，接下来看看如何使用tesseract 实现我们中文的识别，下面继续介绍其他参数

参数3：-l

参数4： 使用的语言库

参数3 -l应该是知道参数4所使用的语言库，默认英文，也就是为什么上面识别英文的例子，并没有输入参数3和参数4，也实现了识别。

下面继续我们的实验：

我们准备了一张图片，然后使用tesseract zhongwen.jpg  7  -l chi_sim 指明了中文语言，然后效果图上，还是很不错的，毕竟我们的中文是如此的博大精深，并且tesseract可以经过训练，然后识字的能力就会大幅度提升。

好了，由于一行代码没写，就不上传代码了，大家自己去官网下载。接下来我会使用Java带大家实现这样的小程序。

接着上一篇OCR所说的，上一篇给大家介绍了tesseract 在命令行的简单用法，当然了要继承到我们的程序中，还是需要代码实现的，下面给大家分享下Java实现的例子。

拿代码扫描上面的图片，然后输出结果。主要思想就是利用Java调用系统任务。

下面是核心代码：

[java]  view plain  copy

 

1. package com.zhy.test;  
2.   
3. import java.io.BufferedReader;  
4.   
5. import java.io.File;  
6. import java.io.FileInputStream;  
7. import java.io.InputStreamReader;  
8. import java.util.ArrayList;  
9. import java.util.List;  
10.   
11. import org.jdesktop.swingx.util.OS;  
12.   
13. public class OCRHelper  
14. {  
15.     private final String LANG_OPTION = "-l";  
16.     private final String EOL = System.getProperty("line.separator");  
17.     /** 
18.      * 文件位置我防止在，项目同一路径 
19.      */  
20.     private String tessPath = new File("tesseract").getAbsolutePath();  
21.   
22.     /** 
23.      * @param imageFile 
24.      *            传入的图像文件 
25.      * @param imageFormat 
26.      *            传入的图像格式 
27.      * @return 识别后的字符串 
28.      */  
29.     public String recognizeText(File imageFile) throws Exception  
30.     {  
31.         /** 
32.          * 设置输出文件的保存的文件目录 
33.          */  
34.         File outputFile = new File(imageFile.getParentFile(), "output");  
35.   
36.         StringBuffer strB = new StringBuffer();  
37.         List<String> cmd = new ArrayList<String>();  
38.         if (OS.isWindowsXP())  
39.         {  
40.             cmd.add(tessPath + "\\tesseract");  
41.         } else if (OS.isLinux())  
42.         {  
43.             cmd.add("tesseract");  
44.         } else  
45.         {  
46.             cmd.add(tessPath + "\\tesseract");  
47.         }  
48.         cmd.add("");  
49.         cmd.add(outputFile.getName());  
50.         cmd.add(LANG_OPTION);  
51. //      cmd.add("chi_sim");  
52.         cmd.add("eng");  
53.   
54.         ProcessBuilder pb = new ProcessBuilder();  
55.         /** 
56.          *Sets this process builder's working directory. 
57.          */  
58.         pb.directory(imageFile.getParentFile());  
59.         cmd.set(1, imageFile.getName());  
60.         pb.command(cmd);  
61.         pb.redirectErrorStream(true);  
62.         Process process = pb.start();  
63.         // tesseract.exe 1.jpg 1 -l chi_sim  
64.         // Runtime.getRuntime().exec("tesseract.exe 1.jpg 1 -l chi_sim");  
65.         /** 
66.          * the exit value of the process. By convention, 0 indicates normal 
67.          * termination. 
68.          */  
69. //      System.out.println(cmd.toString());  
70.         int w = process.waitFor();  
71.         if (w == 0)// 0代表正常退出  
72.         {  
73.             BufferedReader in = new BufferedReader(new InputStreamReader(  
74.                     new FileInputStream(outputFile.getAbsolutePath() + ".txt"),  
75.                     "UTF-8"));  
76.             String str;  
77.   
78.             while ((str = in.readLine()) != null)  
79.             {  
80.                 strB.append(str).append(EOL);  
81.             }  
82.             in.close();  
83.         } else  
84.         {  
85.             String msg;  
86.             switch (w)  
87.             {  
88.             case 1:  
89.                 msg = "Errors accessing files. There may be spaces in your image's filename.";  
90.                 break;  
91.             case 29:  
92.                 msg = "Cannot recognize the image or its selected region.";  
93.                 break;  
94.             case 31:  
95.                 msg = "Unsupported image format.";  
96.                 break;  
97.             default:  
98.                 msg = "Errors occurred.";  
99.             }  
100.             throw new RuntimeException(msg);  
101.         }  
102.         new File(outputFile.getAbsolutePath() + ".txt").delete();  
103.         return strB.toString().replaceAll("\\s*", "");  
104.     }  
105. }  

代码很简单，中间那部分ProcessBuilder其实就类似Runtime.getRuntime().exec("tesseract.exe 1.jpg 1 -l chi_sim")，大家不习惯的可以使用Runtime。

测试代码：

[java]  view plain  copy

 

1. package com.zhy.test;  
2.   
3. import java.io.File;  
4.   
5. public class Test  
6. {  
7.     public static void main(String[] args)  
8.     {  
9.         try  
10.         {  
11.               
12.             File testDataDir = new File("testdata");  
13.             System.out.println(testDataDir.listFiles().length);  
14.             int i = 0 ;   
15.             for(File file :testDataDir.listFiles())  
16.             {  
17.                 i++ ;  
18.                 String recognizeText = new OCRHelper().recognizeText(file);  
19.                 System.out.print(recognizeText+"\t");  
20.   
21.                 if( i % 5  == 0 )  
22.                 {  
23.                     System.out.println();  
24.                 }  
25.             }  
26.               
27.         } catch (Exception e)  
28.         {  
29.             e.printStackTrace();  
30.         }  
31.   
32.     }  
33. }  

输出结果：

对比第一张图片，是不是很完美~哈哈 ，当然了如果你只需要实现验证码的读写，那么上面就足够了。下面继续普及图像处理的知识。

-------------------------------------------------------------------我的分割线--------------------------------------------------------------------

当然了，有时候图片被扭曲或者模糊的很厉害，很不容易识别，所以下面我给大家介绍一个去噪的辅助类，绝对碉堡了，先看下效果图。

来张特写：

一个类，不依赖任何jar，把图像中的干扰线消灭了，是不是很给力，然后再拿这样的图片去识别，会不会效果更好呢，嘿嘿，大家自己实验~

代码：

[java]  view plain  copy

 

1. package com.zhy.test;  
2.   
3. import java.awt.Color;  
4. import java.awt.image.BufferedImage;  
5. import java.io.File;  
6. import java.io.IOException;  
7.   
8. import javax.imageio.ImageIO;  
9.   
10. public class ClearImageHelper  
11. {  
12.   
13.     public static void main(String[] args) throws IOException  
14.     {  
15.   
16.           
17.         File testDataDir = new File("testdata");  
18.         final String destDir = testDataDir.getAbsolutePath()+"/tmp";  
19.         for (File file : testDataDir.listFiles())  
20.         {  
21.             cleanImage(file, destDir);  
22.         }  
23.   
24.     }  
25.   
26.     /** 
27.      *  
28.      * @param sfile 
29.      *            需要去噪的图像 
30.      * @param destDir 
31.      *            去噪后的图像保存地址 
32.      * @throws IOException 
33.      */  
34.     public static void cleanImage(File sfile, String destDir)  
35.             throws IOException  
36.     {  
37.         File destF = new File(destDir);  
38.         if (!destF.exists())  
39.         {  
40.             destF.mkdirs();  
41.         }  
42.   
43.         BufferedImage bufferedImage = ImageIO.read(sfile);  
44.         int h = bufferedImage.getHeight();  
45.         int w = bufferedImage.getWidth();  
46.   
47.         // 灰度化  
48.         int[][] gray = new int[w][h];  
49.         for (int x = 0; x < w; x++)  
50.         {  
51.             for (int y = 0; y < h; y++)  
52.             {  
53.                 int argb = bufferedImage.getRGB(x, y);  
54.                 // 图像加亮（调整亮度识别率非常高）  
55.                 int r = (int) (((argb >> 16) & 0xFF) * 1.1 + 30);  
56.                 int g = (int) (((argb >> 8) & 0xFF) * 1.1 + 30);  
57.                 int b = (int) (((argb >> 0) & 0xFF) * 1.1 + 30);  
58.                 if (r >= 255)  
59.                 {  
60.                     r = 255;  
61.                 }  
62.                 if (g >= 255)  
63.                 {  
64.                     g = 255;  
65.                 }  
66.                 if (b >= 255)  
67.                 {  
68.                     b = 255;  
69.                 }  
70.                 gray[x][y] = (int) Math  
71.                         .pow((Math.pow(r, 2.2) * 0.2973 + Math.pow(g, 2.2)  
72.                                 * 0.6274 + Math.pow(b, 2.2) * 0.0753), 1 / 2.2);  
73.             }  
74.         }  
75.   
76.         // 二值化  
77.         int threshold = ostu(gray, w, h);  
78.         BufferedImage binaryBufferedImage = new BufferedImage(w, h,  
79.                 BufferedImage.TYPE_BYTE_BINARY);  
80.         for (int x = 0; x < w; x++)  
81.         {  
82.             for (int y = 0; y < h; y++)  
83.             {  
84.                 if (gray[x][y] > threshold)  
85.                 {  
86.                     gray[x][y] |= 0x00FFFF;  
87.                 } else  
88.                 {  
89.                     gray[x][y] &= 0xFF0000;  
90.                 }  
91.                 binaryBufferedImage.setRGB(x, y, gray[x][y]);  
92.             }  
93.         }  
94.   
95.         // 矩阵打印  
96.         for (int y = 0; y < h; y++)  
97.         {  
98.             for (int x = 0; x < w; x++)  
99.             {  
100.                 if (isBlack(binaryBufferedImage.getRGB(x, y)))  
101.                 {  
102.                     System.out.print("*");  
103.                 } else  
104.                 {  
105.                     System.out.print(" ");  
106.                 }  
107.             }  
108.             System.out.println();  
109.         }  
110.   
111.         ImageIO.write(binaryBufferedImage, "jpg", new File(destDir, sfile  
112.                 .getName()));  
113.     }  
114.   
115.     public static boolean isBlack(int colorInt)  
116.     {  
117.         Color color = new Color(colorInt);  
118.         if (color.getRed() + color.getGreen() + color.getBlue() <= 300)  
119.         {  
120.             return true;  
121.         }  
122.         return false;  
123.     }  
124.   
125.     public static boolean isWhite(int colorInt)  
126.     {  
127.         Color color = new Color(colorInt);  
128.         if (color.getRed() + color.getGreen() + color.getBlue() > 300)  
129.         {  
130.             return true;  
131.         }  
132.         return false;  
133.     }  
134.   
135.     public static int isBlackOrWhite(int colorInt)  
136.     {  
137.         if (getColorBright(colorInt) < 30 || getColorBright(colorInt) > 730)  
138.         {  
139.             return 1;  
140.         }  
141.         return 0;  
142.     }  
143.   
144.     public static int getColorBright(int colorInt)  
145.     {  
146.         Color color = new Color(colorInt);  
147.         return color.getRed() + color.getGreen() + color.getBlue();  
148.     }  
149.   
150.     public static int ostu(int[][] gray, int w, int h)  
151.     {  
152.         int[] histData = new int[w * h];  
153.         // Calculate histogram  
154.         for (int x = 0; x < w; x++)  
155.         {  
156.             for (int y = 0; y < h; y++)  
157.             {  
158.                 int red = 0xFF & gray[x][y];  
159.                 histData[red]++;  
160.             }  
161.         }  
162.   
163.         // Total number of pixels  
164.         int total = w * h;  
165.   
166.         float sum = 0;  
167.         for (int t = 0; t < 256; t++)  
168.             sum += t * histData[t];  
169.   
170.         float sumB = 0;  
171.         int wB = 0;  
172.         int wF = 0;  
173.   
174.         float varMax = 0;  
175.         int threshold = 0;  
176.   
177.         for (int t = 0; t < 256; t++)  
178.         {  
179.             wB += histData[t]; // Weight Background  
180.             if (wB == 0)  
181.                 continue;  
182.   
183.             wF = total - wB; // Weight Foreground  
184.             if (wF == 0)  
185.                 break;  
186.   
187.             sumB += (float) (t * histData[t]);  
188.   
189.             float mB = sumB / wB; // Mean Background  
190.             float mF = (sum - sumB) / wF; // Mean Foreground  
191.   
192.             // Calculate Between Class Variance  
193.             float varBetween = (float) wB * (float) wF * (mB - mF) * (mB - mF);  
194.   
195.             // Check if new maximum found  
196.             if (varBetween > varMax)  
197.             {  
198.                 varMax = varBetween;  
199.                 threshold = t;  
200.             }  
201.         }  
202.   
203.         return threshold;  
204.     }  
205. }  

--------------------------------------------------------------------------------另外一篇文章-------------------------------------------------------------------------------------------------------------------------------------

Tesseract,这里就在这里分享下。

1、Tesserac-ocr简介

[一个Google支持的开源的OCR图文识别开源项目。去持多语言(当前3.02 版本支持包括英文,简体中文,繁体中文),支持Windows,Linux,Mac OSX 多平台。使用中Tesseract 的识别率非常高。可以在项目网站下载：http://code.google.com/p/tesseract-ocr，新版本支持中文,中文语言包定义http://code.google.com/p/tesseract-ocr/downloads/detail?name=chi_sim.traineddata.gz。]

2、Tesseract安装+ U2 E4 O# `2 [+ @

这里使用的版本为Tesseract3.02。直接点击上面的链接，下载windows下的安装文件tesseract-ocr-setup-3.02.02.exe。由于上面的链接经常很难打开，因此在这里提供百度云链接：http://pan.baidu.com/s/1mg21nMK

安装tesseract-ocr-setup-3.02.02.exe。安装成功后会在相应磁盘上生成一个Tesseract-OCR目录。如图我是安装到了如下位置

安装完成打开命令行，输入tesseract，展现如下图说明已经安装成功

3、命令行测试使用

接下来就可以使用tesseract进行图片识别了。准备一副待识别的图像，这里用画图工具随便写了一段字，然后定义成1.jpg

( |4 Z+ g& _. S; X7 N" R! C

在命令行中定位到图片路径然后输入命令：

  tesseract 1.jpg result -l eng

     其中result表示输出结果文件txt名称，eng表示用以识别的语言文件为英文。会发现图片当前目录下生成了1个result.txt文件里面结果为

/ T4 ?) P1 Q5 {9 R9 y) ~. ?2 C9 n' r' f

  

4、增加中文语言库

安装目录下的tessdata目录存放的是语言识别包，如果想增加中文识别功能，可以将中文的语言库放到此目录下，下载链接在下面地址：http://pan.baidu.com/s/1hqnGq4c，下载后将解压出的chi_sim.traineddata放到此目录下。然后调用的时候指明语言库即可，例如：tesseract xxx.jpg result -l chi_sim

照样，我们搞一个2.jpg图片，来测试下中文识别下的识别率怎么样。

执行后结果

2 Y& r+ n9 O* L5 o8 {2 H

，可以看到，识别率并不是十分令人满意。而且这边使用的例子都是十分正规的字体。如果遇到验证码那种不规则的字体，识别率也会大打折扣的。

当然可以参考网上的相关资料进行对Tesseract字符识别进行样本训练，通过使用训练后的语言库会提高识别精度。这里就不做演示了。参考地址：

http://blog.csdn.net/yasi_xi/article/details/8763385 。但是遗憾的是使用的工具jTessBoxEditor不支持中文训练。附带jTessBoxEditor1.0 下载地址：http://pan.baidu.com/s/1sjBe5el

5、使用java调用tesseract

那如何使用java程序调用相应的tesseract进行操作呢？

这里介绍2种方式。

一种是使用cmd方式，另外一种就是使用tess4j。tess4j的源码地址 http://sourceforge.jp/projects/sfnet_tess4j/ 中文首页

感兴趣的自己下载查看源代码。

由于范例代码较多就不一一贴出来了，会在文章结尾提供一个下载链接，大概讲下结构，

  

如上图，tess4j包下是使用tess4j调用tesseract，src下的dll文件是需要使用到的。同时，加载的语言库文件也要放到tessdata目录下。而cmd 包下是使用cmd方式调用的范例，额外需要swingx-1.6.1.jar，调用时直接配置使用的安装的路径，并配置语言库即可。

  

代码下载地址，由于附带了data文件，jar包等，所以会比较大，接近50M。导入到工程即可。各个包下都有测试的Test类，直接右键就可以运行。前提是对应目录下有相应图片。

在cmd包下ClearImageHelper这个类是对图片进行处理的类，比如灰度转换，二值化，缩放等等，对于复杂图片可以先进行处理，来提高图片识别率。而tess4j下也封装了图片处理的工具类，基本都包含这些功能，例子中也给出了部分样例。

Bty，话说使用原生态识别调用，跟tess4j得到的结果还是有所差别的。