java语言图像标记_[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

net.sourceforge.tess4jgroupId>

tess4jartifactId>

3.2.1version>

dependency>

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(",","");

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"));

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