tesseract-ocr识别中文扫描图片实例讲解

时间：2023-03-08 15:53:57
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：

利用开源程序（ImageMagick+tesseract-ocr）实现图像验证码识别

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）

tesseract-ocr-setup-3.00.exe

chi_sim.traineddata.gz

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。

  1. import java.awt.image.BufferedImage;
  2. import java.io.File;
  3. import java.io.IOException;
  4. import java.util.Iterator;
  5. import java.util.Locale;
  6. import javax.imageio.IIOImage;
  7. import javax.imageio.ImageIO;
  8. import javax.imageio.ImageReader;
  9. import javax.imageio.ImageWriteParam;
  10. import javax.imageio.ImageWriter;
  11. import javax.imageio.metadata.IIOMetadata;
  12. import javax.imageio.stream.ImageInputStream;
  13. import javax.imageio.stream.ImageOutputStream;
  14. import com.sun.media.imageio.plugins.tiff.TIFFImageWriteParam;
  15. public class ImageIOHelper {
  16. /**
  17. * 图片文件转换为tif格式
  18. * @param imageFile 文件路径
  19. * @param imageFormat 文件扩展名
  20. * @return
  21. */
  22. public static File createImage(File imageFile, String imageFormat) {
  23. File tempFile = null;
  24. try {
  25. Iterator<ImageReader> readers = ImageIO.getImageReadersByFormatName(imageFormat);
  26. ImageReader reader = readers.next();
  27. ImageInputStream iis = ImageIO.createImageInputStream(imageFile);
  28. reader.setInput(iis);
  29. //Read the stream metadata
  30. IIOMetadata streamMetadata = reader.getStreamMetadata();
  31. //Set up the writeParam
  32. TIFFImageWriteParam tiffWriteParam = new TIFFImageWriteParam(Locale.CHINESE);
  33. tiffWriteParam.setCompressionMode(ImageWriteParam.MODE_DISABLED);
  34. //Get tif writer and set output to file
  35. Iterator<ImageWriter> writers = ImageIO.getImageWritersByFormatName("tiff");
  36. ImageWriter writer = writers.next();
  37. BufferedImage bi = reader.read(0);
  38. IIOImage image = new IIOImage(bi,null,reader.getImageMetadata(0));
  39. tempFile = tempImageFile(imageFile);
  40. ImageOutputStream ios = ImageIO.createImageOutputStream(tempFile);
  41. writer.setOutput(ios);
  42. writer.write(streamMetadata, image, tiffWriteParam);
  43. ios.close();
  44. writer.dispose();
  45. reader.dispose();
  46. } catch (IOException e) {
  47. e.printStackTrace();
  48. }
  49. return tempFile;
  50. }
  51. private static File tempImageFile(File imageFile) {
  52. String path = imageFile.getPath();
  53. StringBuffer strB = new StringBuffer(path);
  54. strB.insert(path.lastIndexOf('.'),0);
  55. return new File(strB.toString().replaceFirst("(?<=//.)(//w+)$", "tif"));
  56. }
  57. }
  1. import java.io.BufferedReader;
  2. import java.io.File;
  3. import java.io.FileInputStream;
  4. import java.io.InputStreamReader;
  5. import java.util.ArrayList;
  6. import java.util.List;
  7. import org.jdesktop.swingx.util.OS;
  8. public class OCR {
  9. private final String LANG_OPTION = "-l";  //英文字母小写l，并非数字1
  10. private final String EOL = System.getProperty("line.separator");
  11. private String tessPath = "D://Program Files//Tesseract-OCR";
  12. //private String tessPath = new File("tesseract").getAbsolutePath();
  13. public String recognizeText(File imageFile,String imageFormat)throws Exception{
  14. File tempImage = ImageIOHelper.createImage(imageFile,imageFormat);
  15. File outputFile = new File(imageFile.getParentFile(),"output");
  16. StringBuffer strB = new StringBuffer();
  17. List<String> cmd = new ArrayList<String>();
  18. if(OS.isWindowsXP()){
  19. cmd.add(tessPath+"//tesseract");
  20. }else if(OS.isLinux()){
  21. cmd.add("tesseract");
  22. }else{
  23. cmd.add(tessPath+"//tesseract");
  24. }
  25. cmd.add("");
  26. cmd.add(outputFile.getName());
  27. cmd.add(LANG_OPTION);
  28. cmd.add("chi_sim");
  29. //cmd.add("eng");
  30. ProcessBuilder pb = new ProcessBuilder();
  31. pb.directory(imageFile.getParentFile());
  32. cmd.set(1, tempImage.getName());
  33. pb.command(cmd);
  34. pb.redirectErrorStream(true);
  35. Process process = pb.start();
  36. //tesseract.exe 1.jpg 1 -l chi_sim
  37. int w = process.waitFor();
  38. //删除临时正在工作文件
  39. tempImage.delete();
  40. if(w==0){
  41. BufferedReader in = new BufferedReader(new InputStreamReader(new FileInputStream(outputFile.getAbsolutePath()+".txt"),"UTF-8"));
  42. String str;
  43. while((str = in.readLine())!=null){
  44. strB.append(str).append(EOL);
  45. }
  46. in.close();
  47. }else{
  48. String msg;
  49. switch(w){
  50. case 1:
  51. msg = "Errors accessing files.There may be spaces in your image's filename.";
  52. break;
  53. case 29:
  54. msg = "Cannot recongnize the image or its selected region.";
  55. break;
  56. case 31:
  57. msg = "Unsupported image format.";
  58. break;
  59. default:
  60. msg = "Errors occurred.";
  61. }
  62. tempImage.delete();
  63. throw new RuntimeException(msg);
  64. }
  65. new File(outputFile.getAbsolutePath()+".txt").delete();
  66. return strB.toString();
  67. }
  68. }
  1. import java.io.File;
  2. import java.io.IOException;
  3. public class TestOCR {
  4. /**
  5. * @param args
  6. */
  7. public static void main(String[] args) {
  8. String path = "d://test//chi.jpg";
  9. try {
  10. String valCode = new OCR().recognizeText(new File(path), "jpg");
  11. System.out.println(valCode);
  12. } catch (IOException e) {
  13. e.printStackTrace();
  14. } catch (Exception e) {
  15. e.printStackTrace();
  16. }
  17. }
  18. }

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”

tesseract-ocr识别中文扫描图片实例讲解

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。