[图像识别] java语言使用tess4j识别图片中的文字

之所以写下这篇文章，是因为在实践中使用时，发现在识别整张图时，准确率降低。尤其是中文，英文，字符，数字，水印都有的时候。出错率很高。原先一直认为是水印的问题。结果将图片二值化以后，没有水印，识别准确度依旧很低。
偶然的情况，使用局部区域识别，发现，效果很好，准确度大大提高。
然后体用api切换中文，英文识别库，很大程度的提高了准确率。

maven依赖

https://github.com/nguyenq/tess4j

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

代码示例

代码示例，工程中，必须要有tessdata目录，存放语言库，如eng.traineddata，chi_sim.traineddata等。

public class TesseractExample {

    public static void main(String[] args) {
        File imageFile = new File("eurotext.tif");
        ITesseract instance = new Tesseract();  // JNA Interface Mapping
        // ITesseract instance = new Tesseract1(); // JNA Direct Mapping

        try {
            String result = instance.doOCR(imageFile);
            System.out.println(result);
        } catch (TesseractException e) {
            System.err.println(e.getMessage());
        }
    }
}

工程目录结构

设置目录。为什么要这么做呢？因为jar包中已经有个英文库了，所以我们只需要再添加其它需要的库就行，放在classpath下就ok。不需要在外层多一层了。

File imageFile = new File("C:\\random.png");
Tesseract instance = Tesseract.getInstance();

//In case you don't have your own tessdata, let it also be extracted for you
//这样就能使用classpath目录下的训练库了
File tessDataFolder = LoadLibs.extractTessResources("tessdata");

instance.setLanguage("eng");//英文库识别数字比较准确

//Set the tessdata path
instance.setDatapath(tessDataFolder.getAbsolutePath());

try {
    String result = instance.doOCR(imageFile);
    System.out.println(result);
} catch (TesseractException e) {
    System.err.println(e.getMessage());
}

目录结构

当然也可以使用中文库

instance.setLanguage("chi_sim");//中文库识别中文

也可以只识别图片中的某一部分，实践发现，识别小区域，准确度会变高。

instance.setLanguage("eng");//英文库识别数字比较准确
//提取金额
Rectangle rectangle = new Rectangle(366, y_Axis, 92, h);
String decrease = instance.doOCR(bufferedImage,rectangle)
        .replace(" ",".").replace(",","");

网络图片

 String url = "https://gimg2.baidu.com/image_search/src=http%3A%2F%2F365jia.cn%2Fuploads%2Fnews%2Ffolder_1659049%2Fimages%2Fbe826380357baa44d81250e09036a92e.jpg&refer=http%3A%2F%2F365jia.cn&app=2002&size=f9999,10000&q=a80&n=0&g=0n&fmt=jpeg?sec=1612690508&t=f12c7c702f72d6113639cd3e937a7718";

BufferedImage img = ImageIO.read(new URL(url));
String result = instance.doOCR(img);

去掉水印

图片二值化，水印也可以被去掉。

BufferedImage grayImage = ImageHelper.convertImageToBinary(ImageIO.read(imageFile));
ImageIO.write(grayImage, "jpg", new File("data/", "test2.jpg"));

tess4j 和tesseract版本对应关系

• 0.4 (Tesseract 2.04)
• 1.0 (Tesseract 3.02)
• 1.1 (Tesseract 3.02)
• 1.2 (Tesseract 3.02)
• 1.4 (Tesseract 3.02)
• 1.5 (Tesseract 3.02)
• 2.0 (Tesseract 3.03RC)
• 3.0 (Tesseract 3.04)
• 3.3 (Tesseract 3.05)
• 3.4 (Tesseract 3.05.01)
• 4.0 (Tesseract 4.0.0-beta.1)
• 4.1 (Tesseract 4.0.0-beta.3)
• 4.3 (Tesseract 4.0.0)
• 4.4 (Tesseract 4.1.0)

安装tesseract

参考 https://tesseract-ocr.github.io/tessdoc/Installation.html
mac

brew install tesseract

For CentOS 8 run the following as root:

dnf config-manager --add-repo https://download.opensuse.org/repositories/home:/Alexander_Pozdnyakov/CentOS_8/
rpm --import https://build.opensuse.org/projects/home:Alexander_Pozdnyakov/public_key
dnf install tesseract
dnf install tesseract-langpack-deu

参考

• http://tess4j.sourceforge.net/codesample.html
• https://github.com/nguyenq/tess4j/issues/9
  tessdata来源
• https://github.com/tesseract-ocr/tessdata/tree/3.04.00