java tesseract识别中文图片,tesseract-ocr识别中文扫描图片实例讲解

当我浏览http://code.google.com/p/tesseract-ocr并下载了几个文件下来之后顿时感到一头雾水，不知该如何下手。网上看到有人在linux操作系统下的实现，

如：

但却很少看到在windows下的相关文章介绍。

接下来我将一步步讲述如何采用tesseract-ocr识别含有中文的图片。

1、下载tesseract-ocr(注意3.0版本之后才支持中文的识别)

2、安装tesseract-ocr

解压缩，双击 tesseract-ocr-setup-3.00.exe即可根据提示一步步安装，本人安装的目录是：D:\Program Files\Tesseract-OCR

在该目录下可看到tesseract.exe文件，这就是我们后面程序中会调用到的运行进程。

3、自定义安装语言包

D:\Program Files\Tesseract-OCR目录下找到\tessdata目录，其是用来存放语言包，可把 chi_sim.traineddata.gz  解压缩之后的chi_sim.traineddata文件复制到该目录下即可。

4、编写测试代码

在编写代码之前下载两个jar包：jai_imageio-1.1-alpha.jar、swingx-1.0.jar，可在www.findjar.com 网站上去下载。

importjava.awt.image.BufferedImage;

importjava.io.File;

importjava.io.IOException;

importjava.util.Iterator;

importjava.util.Locale;

importjavax.imageio.IIOImage;

importjavax.imageio.ImageIO;

importjavax.imageio.ImageReader;

importjavax.imageio.ImageWriteParam;

importjavax.imageio.ImageWriter;

importjavax.imageio.metadata.IIOMetadata;

importjavax.imageio.stream.ImageInputStream;

importjavax.imageio.stream.ImageOutputStream;

importcom.sun.media.imageio.plugins.tiff.TIFFImageWriteParam;

publicclassImageIOHelper {

/**

* 图片文件转换为tif格式

* @param imageFile 文件路径

* @param imageFormat 文件扩展名

* @return

*/

publicstaticFile createImage(File imageFile, String imageFormat) {

File tempFile = null;

try{

Iterator readers = ImageIO.getImageReadersByFormatName(imageFormat);

ImageReader reader = readers.next();

ImageInputStream iis = ImageIO.createImageInputStream(imageFile);

reader.setInput(iis);

//Read the stream metadata

IIOMetadata streamMetadata = reader.getStreamMetadata();

//Set up the writeParam

TIFFImageWriteParam tiffWriteParam = newTIFFImageWriteParam(Locale.CHINESE);

tiffWriteParam.setCompressionMode(ImageWriteParam.MODE_DISABLED);

//Get tif writer and set output to file

Iterator writers = ImageIO.getImageWritersByFormatName("tiff");

ImageWriter writer = writers.next();

BufferedImage bi = reader.read(0);

IIOImage image = newIIOImage(bi,null,reader.getImageMetadata(0));

tempFile = tempImageFile(imageFile);

ImageOutputStream ios = ImageIO.createImageOutputStream(tempFile);

writer.setOutput(ios);

writer.write(streamMetadata, image, tiffWriteParam);

ios.close();

writer.dispose();

reader.dispose();

} catch(IOException e) {

e.printStackTrace();

}

returntempFile;

}

privatestaticFile tempImageFile(File imageFile) {

String path = imageFile.getPath();

StringBuffer strB = newStringBuffer(path);

strB.insert(path.lastIndexOf('.'),0);

returnnewFile(strB.toString().replaceFirst("(?<=\\.)(\\w+)$","tif"));

}

}

import java.awt.image.BufferedImage;

import java.io.File;

import java.io.IOException;

import java.util.Iterator;

import java.util.Locale;

import javax.imageio.IIOImage;

import javax.imageio.ImageIO;

import javax.imageio.ImageReader;

import javax.imageio.ImageWriteParam;

import javax.imageio.ImageWriter;

import javax.imageio.metadata.IIOMetadata;

import javax.imageio.stream.ImageInputStream;

import javax.imageio.stream.ImageOutputStream;

import com.sun.media.imageio.plugins.tiff.TIFFImageWriteParam;

public class ImageIOHelper {

/**

* 图片文件转换为tif格式

* @param imageFile 文件路径

* @param imageFormat 文件扩展名

* @return

*/

public static File createImage(File imageFile, String imageFormat) {

File tempFile = null;

try {

Iterator readers = ImageIO.getImageReadersByFormatName(imageFormat);

ImageReader reader = readers.next();

ImageInputStream iis = ImageIO.createImageInputStream(imageFile);

reader.setInput(iis);

//Read the stream metadata

IIOMetadata streamMetadata = reader.getStreamMetadata();

//Set up the writeParam

TIFFImageWriteParam tiffWriteParam = new TIFFImageWriteParam(Locale.CHINESE);

tiffWriteParam.setCompressionMode(ImageWriteParam.MODE_DISABLED);

//Get tif writer and set output to file

Iterator writers = ImageIO.getImageWritersByFormatName("tiff");

ImageWriter writer = writers.next();

BufferedImage bi = reader.read(0);

IIOImage image = new IIOImage(bi,null,reader.getImageMetadata(0));

tempFile = tempImageFile(imageFile);

ImageOutputStream ios = ImageIO.createImageOutputStream(tempFile);

writer.setOutput(ios);

writer.write(streamMetadata, image, tiffWriteParam);

ios.close();

writer.dispose();

reader.dispose();

} catch (IOException e) {

e.printStackTrace();

}

return tempFile;

}

private static File tempImageFile(File imageFile) {

String path = imageFile.getPath();

StringBuffer strB = new StringBuffer(path);

strB.insert(path.lastIndexOf('.'),0);

return new File(strB.toString().replaceFirst("(?<=\\.)(\\w+)$", "tif"));

}

}

importjava.io.BufferedReader;

importjava.io.File;

importjava.io.FileInputStream;

importjava.io.InputStreamReader;

importjava.util.ArrayList;

importjava.util.List;

importorg.jdesktop.swingx.util.OS;

publicclassOCR {

privatefinalString LANG_OPTION ="-l";//英文字母小写l，并非数字1

privatefinalString EOL = System.getProperty("line.separator");

privateString tessPath ="D:\\Program Files\\Tesseract-OCR";

//private String tessPath = new File("tesseract").getAbsolutePath();

publicString recognizeText(File imageFile,String imageFormat)throwsException{

File tempImage = ImageIOHelper.createImage(imageFile,imageFormat);

File outputFile = newFile(imageFile.getParentFile(),"output");

StringBuffer strB = newStringBuffer();

List cmd = newArrayList();

if(OS.isWindowsXP()){

cmd.add(tessPath+"\\tesseract");

}elseif(OS.isLinux()){

cmd.add("tesseract");

}else{

cmd.add(tessPath+"\\tesseract");

}

cmd.add("");

cmd.add(outputFile.getName());

cmd.add(LANG_OPTION);

cmd.add("chi_sim");

//cmd.add("eng");

ProcessBuilder pb = newProcessBuilder();

pb.directory(imageFile.getParentFile());

cmd.set(1, tempImage.getName());

pb.command(cmd);

pb.redirectErrorStream(true);

Process process = pb.start();

//tesseract.exe 1.jpg 1 -l chi_sim

intw = process.waitFor();

//删除临时正在工作文件

tempImage.delete();

if(w==0){

BufferedReader in = newBufferedReader(newInputStreamReader(newFileInputStream(outputFile.getAbsolutePath()+".txt"),"UTF-8"));

String str;

while((str = in.readLine())!=null){

strB.append(str).append(EOL);

}

in.close();

}else{

String msg;

switch(w){

case1:

msg = "Errors accessing files.There may be spaces in your image's filename.";

break;

case29:

msg = "Cannot recongnize the image or its selected region.";

break;

case31:

msg = "Unsupported image format.";

break;

default:

msg = "Errors occurred.";

}

tempImage.delete();

thrownewRuntimeException(msg);

}

newFile(outputFile.getAbsolutePath()+".txt").delete();

returnstrB.toString();

}

}

import

java.io.BufferedReader;

import java.io.File;

import java.io.FileInputStream;

import java.io.InputStreamReader;

import java.util.ArrayList;

import java.util.List;

import org.jdesktop.swingx.util.OS;

public class OCR {

private final String LANG_OPTION = "-l"; //英文字母小写l，并非数字1

private final String EOL = System.getProperty("line.separator");

private String tessPath = "D:\\Program Files\\Tesseract-OCR";

//private String tessPath = new File("tesseract").getAbsolutePath();

public String recognizeText(File imageFile,String imageFormat)throws

Exception{

File tempImage = ImageIOHelper.createImage(imageFile,imageFormat);

File outputFile = new File(imageFile.getParentFile(),"output");

StringBuffer strB = new StringBuffer();

List cmd = new ArrayList();

if(OS.isWindowsXP()){

cmd.add(tessPath+"\\tesseract");

}else if(OS.isLinux()){

cmd.add("tesseract");

}else{

cmd.add(tessPath+"\\tesseract");

}

cmd.add("");

cmd.add(outputFile.getName());

cmd.add(LANG_OPTION);

cmd.add("chi_sim");

//cmd.add("eng");

ProcessBuilder pb = new ProcessBuilder();

pb.directory(imageFile.getParentFile());

cmd.set(1, tempImage.getName());

pb.command(cmd);

pb.redirectErrorStream(true);

Process process = pb.start();

//tesseract.exe 1.jpg 1 -l chi_sim

int w = process.waitFor();

//删除临时正在工作文件

tempImage.delete();

if(w==0){

BufferedReader in = new BufferedReader(new InputStreamReader(new

FileInputStream(outputFile.getAbsolutePath()+".txt"),"UTF-8"));

String str;

while((str = in.readLine())!=null){

strB.append(str).append(EOL);

}

in.close();

}else{

String msg;

switch(w){

case 1:

msg = "Errors accessing files.There may be spaces in your image's

filename.";

break;

case 29:

msg = "Cannot recongnize the image or its selected region.";

break;

case 31:

msg = "Unsupported image format.";

break;

default:

msg = "Errors occurred.";

}

tempImage.delete();

throw new RuntimeException(msg);

}

new File(outputFile.getAbsolutePath()+".txt").delete();

return strB.toString();

}

}

importjava.io.File;

importjava.io.IOException;

publicclassTestOCR {

/**

* @param args

*/

publicstaticvoidmain(String[] args) {

String path = "d:\\test\\chi.jpg";

try{

String valCode = newOCR().recognizeText(newFile(path),"jpg");

System.out.println(valCode);

} catch(IOException e) {

e.printStackTrace();

} catch(Exception e) {

e.printStackTrace();

}

}

}

import java.io.File;

import java.io.IOException;

public class TestOCR {

/**

* @param args

*/

public static void main(String[] args) {

String path = "d:\\test\\chi.jpg";

try {

String valCode = new OCR().recognizeText(new File(path), "jpg");

System.out.println(valCode);

} catch (IOException e) {

e.printStackTrace();

} catch (Exception e) {

e.printStackTrace();

}

}

}

通过本人的测试对于中文的识别虽然不是很完美，至少其可支持了，但最大的缺点就是速度慢。中文本来就很复杂，而且其语言包就达到50多M，和英文语言包比起来真是..............

测试图片，可右击“图片另存为”

解析输出结果：

一、 引 孟4

1. 1 从体验经济到体验设计驷

随着社会生产力发展水平的提高和人类需求层次的升级, 体验经济也就成

为了经济发展的必然趋势。 体验经济 日 渐显现, 出现了服务于它的体验设计。 、

设计是创新的重要组成部分。 茌强调 目 主创新的六环i竞下, 申国的企业应

该兖分关注体验设计的新趋势‘。体验设计的理论正茌成为现代企业开发产品和

服务顶 目 的重要依据。 现阶段, IT 领域很早就注意到了这一点, 百度、 腾讯、

支付宝、 阿里巴巴等着属设有专门的用户体验部, 为其产品和服务增加附加价值,

也更六程度她让用户满意, 最终荻得了最佳企业效益。 、

同时7 随看现代产品设计思想的成熟, 产品设计也越来越聚焦于人本身一

7人的存茌, 人的需要7 持别是人的情感需要。 设计与人, 人与设计, 设计是

否可以有长远意义, 是否可以印证人的真买存茌, 是否可以帮助人们理解 目 己,

认识世界。 这个问题己偏 同于哲学, 但却确买是设计这种文化形式的 内茌诉求。

越来越多的产品遍过设计, 茌与人交互的过程申7 使人产生愉悦的体验, 并茌

这个体验的后期, 让人产生反思, 遍过反思得以认识自 己7 发展自 己。 找想这

点是设计成为一种优势文化, 而所要肩 负 的必要责任。 ~

测试中发现的几个注意点：

1、若是一份英文文档其对英文字母o绝大部分会识别为数字0。所以若是英文和数字的文档，最好不要加入中文语言包，而是引入eng.traineddata语言包到D:\Program Files\Tesseract-OCR\tessdata目录下。

看到OCR 类31-32行代码

cmd.add("chi_sim");

//cmd.add("eng");

去掉  //cmd.add("eng");前的注释，但记得在cmd.add("chi_sim");前加上注释哦，不然你就看不到效果了哦。

2、测试中还发现一个问题，有时候在目录下已经生成临时文件并且识别出的文字写入到output.txt,但是在int w = process.waitFor();则阻塞了停止运行再也没有反应了，以致控制台始终没有打印出文字。

解析(参考)：刚开始想到直接去掉这个语句算了，但是运行的时候会报运行错误。最后在http://www.cnblogs.com/xxpal/articles/824963.html看到下面一段文字说明：在 Windows平台上，运行被调用程序的DOS窗口在程序执行完毕后往往并不会自动关闭，从而导致Java应用程序阻塞在waitfor()语句。导致该现象的一个可能的原因是，该可执行程序的标准输出比较多，而运行窗口的标准输出缓冲区不够大。解决的办法是，利用Java中Process类提供的方法让 Java虚拟机截获被调用程序的DOS运行窗口的标准输出，在waitfor()命令之前读出窗口的标准输出缓冲区中的内容。

解决办法：在int w = process.waitFor();代码行前面加上

String s;

BufferedReader bufferedReader = new BufferedReader(new InputStreamReader(process.getInputStream()));

while((s=bufferedReader.readLine()) != null);

int w = process.waitFor();

再次运行试试看吧。

posted on 2011-03-22 21:47 SIMONE 阅读(45726) 评论(15)  编辑  收藏