Windows下Java+Tesseract-OCR對圖像進行字符識別，親測可行

• • 1. 下載tesseract-ocr、中文語言包并安裝
  • 2. 命令行對圖片進行識別及效果圖
  • 3. Java調用Tesseart-OCR
  • • 3.1 效果圖
    • 3.2 源碼
  • 4. 遺留問題
  • • 4.1 Too many unichars in ambiguity on line 22991608，暫未解決
  • 參考

這篇博客將介紹Java如何利用Tesseract-OCR對圖像進行字符識別；

1. 下載tesseract-ocr、中文語言包并安裝

Tesseract-ocr是一款開源工具，可用于OCR(Optical Character Recognition)。默認識別字母+數字，識別中文需要安裝相應的中文語言包）。

tesseract-ocr 3.02安裝包與中文語言包chi_sim.traineddata 3.02版本-百度網盤鏈接：https://pan.baidu.com/s/1-tmDFZPvOO1GFtwJn50ahA
提取碼：3siq

中文語言包chi_sim.traineddata 4.0版本在此下載

假設安裝在Tesseart-OCR安裝在D盤，
將語言包解壓出的chi_sim.traineddata 放到 D:\Tesseract-OCR\tessdata\ 目錄下

驗證安裝成功與否：

2. 命令行對圖片進行識別及效果圖

切換到安裝目錄及識別

cd D:\Tesseract-OCR
tesseract.exe E:\mat\mvt\java-ocr-demo\ocr\opencv_logo.jpg opencv_logo 

默認識別（字母+數字），識別中文需要安裝中文語言包，并指定模型 -l chi_sim

tesseract 2.jpg 2 -l chi_sim -psm 7

• 參數1：2.jpg 圖片全路徑
• 參數2：2 識別文本輸出文字名，結果將寫入2.txt
• 參數3：指定語言包，-l chi_sim表示用簡體中文字庫，默認eng（識別字母+數字）
• 參數4：-psm 7 表示告訴tesseract 2.jpg圖片只有一行文本，從而可以減少識別錯誤率，默認為3。

字母成功識別效果圖如下：

圖過大，字符太小可能無法識別，需要將圖片截取下保證圖片中字符清晰可見即可正確識別出來；

數字成功識別效果圖如下：

中文+字母識別：可以看到文字并沒有正確識別；不是特別準確

中文+字母+數字識別，中文不太準確，效果圖如下：

3. Java調用Tesseart-OCR

Java調用Tessert-OCR有如下倆種方法：

1. 實質上也是調用的 tesseart.exe執行的ocr識別；
2. 調用tess4j jar包內的方法，依賴字體集（需要本地下載好字體集）
3. 優化版本—— Java-基于百度API的圖片文字識別（支持中文，英文和中英文混合）
   

3.1 效果圖

調用本地exe方式效果圖如下：英文比較準確，中文的效果不太好

調用jar加載 eng 模型來識別 效果圖如下：多張圖片測試，字母+數字的效果要好一些，基本都識別出來，中文識別均亂碼；

調用jar加載中文的 chi_sim 模型來識別 效果圖如下：多張圖片測試，字符字母部分未成功識別，也有識別錯的，中文識別效果也不好；

3.2 源碼

<!-- https://mvnrepository.com/artifact/net.sourceforge.tess4j/tess4j -->
<dependency><groupId>net.sourceforge.tess4j</groupId><artifactId>tess4j</artifactId><version>3.2.1</version>
</dependency>

package com;import lombok.extern.slf4j.Slf4j;
import net.sourceforge.tess4j.ITesseract;
import net.sourceforge.tess4j.Tesseract;
import net.sourceforge.tess4j.TesseractException;
import org.apache.commons.io.FileUtils;
import org.junit.platform.commons.util.StringUtils;import java.io.BufferedReader;
import java.io.File;
import java.io.IOException;
import java.io.InputStreamReader;/**************************************Class Name: TessertOcr*Description: <java調用tessert-ocr識別>*@author: seminar*@create: 2021/7/8*@since 1.0.0*************************************/
public class TessertOcr {/*** 調用tesseart.exe進行OCR識別** @param exePath exe絕對路徑* @param jpgPath jpg路徑* @param flag    默認false，使用eng只支持字母+數字， True：支持中文+字母+數字* @return*/public static String callTesseartExe(String exePath, String jpgPath, boolean flag) {String res = "";try {Process process = null;if (!flag) {process = Runtime.getRuntime().exec(new String[]{exePath, jpgPath, jpgPath.replaceAll(".jpg", "")});} else {process = Runtime.getRuntime().exec(new String[]{exePath, jpgPath, jpgPath.replaceAll(".jpg", ""), "-l", "chi_sim"});}StringBuilder processOutput = new StringBuilder();try (BufferedReader processOutputReader = new BufferedReader(new InputStreamReader(process.getInputStream()));) {String readLine;while ((readLine = processOutputReader.readLine()) != null) {processOutput.append(readLine + System.lineSeparator());}// 等待執行完成process.waitFor();} catch (IOException e) {e.printStackTrace();} catch (InterruptedException e) {e.printStackTrace();} finally {if (process != null) {process.destroy();}}res = processOutput.toString().trim();res = FileUtils.readFileToString(new File(jpgPath.replaceAll(".jpg", ".txt")));} catch (IOException e) {e.printStackTrace();}return res;}public static void main(String[] args) {// 第一種方法String exePath = "D:/Tesseract-OCR/tesseract.exe";String jpgPath = "E:\\mat\\mvt\\java-ocr-demo\\images\\1622175322109_0.025711_cc.jpg";System.out.println("1622175322109_0.025711_cc.jpg callTesseartExe: " + callTesseartExe(exePath, jpgPath, false));System.out.println("chinese.jpg callTesseartExe: " + callTesseartExe(exePath,"E:\\mat\\mvt\\java-ocr-demo\\images\\chinese.jpg", true));String fileDir = "E:\\mat\\mvt\\java-ocr-demo\\images\\";File[] list = new File(fileDir).listFiles();ITesseract instance = new Tesseract();instance.setDatapath("E:\\mat\\mvt\\java-ocr-demo\\src\\test\\java\\com\\tessdata");// 默認識別英文（字母+英文），如果識別中文（數字+中文）需要設置語言包
//        instance.setLanguage("chi_sim");for (File file : list) {if (file.getName().endsWith(".jpg")) {try {String result = instance.doOCR(file);if (StringUtils.isNotBlank(result)) {result = result.replaceAll("\n", "");result = result.replaceAll(" ", "");if (result.length() > 30) {System.out.println(file.getName() + ": " + result.substring(result.length() - 30, result.length()));} else {System.out.println(file.getName() + ": " + result);}} else {System.out.println(file.getName() + ": ");}} catch (TesseractException e) {e.printStackTrace();}}}}
}

4. 遺留問題

4.1 Too many unichars in ambiguity on line 22991608，暫未解決

參考

• 親測可用
• eng.traineddata,chi_sm.traineddata下載
• java+Tesseract-OCR實現圖片識別
• java利用tesseract-OCR對圖像進行字符識別
• tesseract-ocr java開發
• Java截取局部圖片~

總結

以上是生活随笔為你收集整理的Windows下命令行及Java+Tesseract-OCR对图像进行（字母+数字+中文）识别，亲测可行的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。