Tesseract-OCR支持中文识别,并且开源和提供全套的训练工具,是快速低成本开发的首选。前面记录过在java中调用tesseract-orc,该方法的原理是通过在java中调用cmd命令行,来执行tesseract,但是该方式需要下载软件,在电脑上安装环境,移植性不高。
而Tess4J则是Tesseract在Java PC上的应用。如果使用Tess4J只需要下载相关Jar包,导入项目,再把项目封装好就可以处处运行了,可移植性比较好。Tess4J在英文和数字识别中性能比较好,但是在中文识别中,无论速度还是识别率还是较弱,因此需要针对场景进行训练,才能获得较好结果。
这篇博客简单记录一下在java中通过调用tess4j的方式识别图片的文字内容。
步骤:
(1)下载tess4j源码包:https://sourceforge.net/projects/tess4j/
tessdata下默认为英语库,中文库下载地址:https://github.com/tesseract-ocr/tessdata/blob/master/chi_sim.traineddata
其他库的下载地址:https://github.com/tesseract-ocr/tessdata
下载完的tess4j资源包目录如下:
(2)新建一个java工程:
使用Build Path -> configure build path导入dist目录下的tess4j.jar 和 lib目录下的所有jar包,如下图:
如果是maven工程则导入以下maven依赖。
<dependency>
<grou