tesseract-ocr识别中文扫描图片实例讲解

我不是女神ヾ 2021-11-01 21:56 405阅读 0赞

[tesseract-ocr识别中文扫描图片实例讲解][tesseract-ocr]\[转至： [http://www.blogjava.net/wangxinsh55/archive/2011/03/22/346787.html][tesseract-ocr]\]

本文参考[http://blog.csdn.net/zhoushuyan/archive/2010/10/18/5948289.aspx\#1567946][http_blog.csdn.net_zhoushuyan_archive_2010_10_18_5948289.aspx_1567946]实现，在这里感谢该文章的作者。

当我浏览[http://code.google.com/p/tesseract-ocr][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][ImageMagick_tesseract-ocr]

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 ][tesseract-ocr-setup-3.00.exe]

[chi\_sim.traineddata.gz ][chi_sim.traineddata.gz]

2、安装tesseract-ocr

解压缩，双击 [tesseract-ocr-setup-3.00.exe ][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 ][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。

[view plain][] [copy to clipboard][view plain] [print][view plain] [?][view plain]

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.    
7.  import javax.imageio.IIOImage;  
8.  import javax.imageio.ImageIO;  
9.  import javax.imageio.ImageReader;  
10. import javax.imageio.ImageWriteParam;  
11. import javax.imageio.ImageWriter;  
12. import javax.imageio.metadata.IIOMetadata;  
13. import javax.imageio.stream.ImageInputStream;  
14. import javax.imageio.stream.ImageOutputStream;  
15.   
16. import com.sun.media.imageio.plugins.tiff.TIFFImageWriteParam;  
17.   
18. public class ImageIOHelper \{  
19.     /\*\* 
20.      \* 图片文件转换为tif格式 
21.      \* @param imageFile 文件路径 
22.      \* @param imageFormat 文件扩展名 
23.      \* @return 
24.      \*/  
25.     public static File createImage(File imageFile, String imageFormat) \{  
26.         File tempFile = null;  
27.         try \{  
28.             Iterator<ImageReader> readers = ImageIO.getImageReadersByFormatName(imageFormat);  
29.             ImageReader reader = readers.next();  
30.           
31.             ImageInputStream iis = ImageIO.createImageInputStream(imageFile);  
32.             reader.setInput(iis);  
33.             //Read the stream metadata  
34.             IIOMetadata streamMetadata = reader.getStreamMetadata();  
35.               
36.             //Set up the writeParam  
37.             TIFFImageWriteParam tiffWriteParam = new TIFFImageWriteParam(Locale.CHINESE);  
38.             tiffWriteParam.setCompressionMode(ImageWriteParam.MODE\_DISABLED);  
39.               
40.             //Get tif writer and set output to file  
41.             Iterator<ImageWriter> writers = ImageIO.getImageWritersByFormatName("tiff");  
42.             ImageWriter writer = writers.next();  
43.               
44.             BufferedImage bi = reader.read(0);  
45.             IIOImage image = new IIOImage(bi,null,reader.getImageMetadata(0));  
46.             tempFile = tempImageFile(imageFile);  
47.             ImageOutputStream ios = ImageIO.createImageOutputStream(tempFile);  
48.             writer.setOutput(ios);  
49.             writer.write(streamMetadata, image, tiffWriteParam);  
50.             ios.close();  
51.               
52.             writer.dispose();  
53.             reader.dispose();  
54.               
55.         \} catch (IOException e) \{  
56.             e.printStackTrace();  
57.         \}  
58.         return tempFile;  
59.     \}  
60.   
61.     private static File tempImageFile(File imageFile) \{  
62.         String path = imageFile.getPath();  
63.         StringBuffer strB = new StringBuffer(path);  
64.         strB.insert(path.lastIndexOf('.'),0);  
65.         return new File(strB.toString().replaceFirst("(?<=\\\\.)(\\\\w+)$", "tif"));  
66.     \}  
67.   
68. \}

[view plain][] [copy to clipboard][view plain] [print][view plain] [?][view plain]

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.    
8.  import org.jdesktop.swingx.util.OS;  
9.    
10. public class OCR \{  
11.     private final String LANG\_OPTION = "-l";  //英文字母小写l，并非数字1  
12.     private final String EOL = System.getProperty("line.separator");  
13.     private String tessPath = "D:\\\\Program Files\\\\Tesseract-OCR";  
14.     //private String tessPath = new File("tesseract").getAbsolutePath();  
15.       
16.     public String recognizeText(File imageFile,String imageFormat)throws Exception\{  
17.         File tempImage = ImageIOHelper.createImage(imageFile,imageFormat);  
18.         File outputFile = new File(imageFile.getParentFile(),"output");  
19.         StringBuffer strB = new StringBuffer();  
20.         List<String> cmd = new ArrayList<String>();  
21.         if(OS.isWindowsXP())\{  
22.             cmd.add(tessPath+"\\\\tesseract");  
23.         \}else if(OS.isLinux())\{  
24.             cmd.add("tesseract");  
25.         \}else\{  
26.             cmd.add(tessPath+"\\\\tesseract");  
27.         \}  
28.         cmd.add("");  
29.         cmd.add(outputFile.getName());  
30.         cmd.add(LANG\_OPTION);  
31.         cmd.add("chi\_sim");  
32.         //cmd.add("eng");  
33.           
34.         ProcessBuilder pb = new ProcessBuilder();  
35.         pb.directory(imageFile.getParentFile());  
36.           
37.         cmd.set(1, tempImage.getName());  
38.         pb.command(cmd);  
39.         pb.redirectErrorStream(true);  
40.           
41.         Process process = pb.start();  
42.         //tesseract.exe 1.jpg 1 -l chi\_sim  
43.         int w = process.waitFor();  
44.           
45.         //删除临时正在工作文件  
46.         tempImage.delete();  
47.           
48.         if(w==0)\{  
49.             BufferedReader in = new BufferedReader(new InputStreamReader(new FileInputStream(outputFile.getAbsolutePath()+".txt"),"UTF-8"));  
50.               
51.             String str;  
52.             while((str = in.readLine())!=null)\{  
53.                 strB.append(str).append(EOL);  
54.             \}  
55.             in.close();  
56.         \}else\{  
57.             String msg;  
58.             switch(w)\{  
59.                 case 1:  
60.                     msg = "Errors accessing files.There may be spaces in your image's filename.";  
61.                     break;  
62.                 case 29:  
63.                     msg = "Cannot recongnize the image or its selected region.";  
64.                     break;  
65.                 case 31:  
66.                     msg = "Unsupported image format.";  
67.                     break;  
68.                 default:  
69.                     msg = "Errors occurred.";  
70.             \}  
71.             tempImage.delete();  
72.             throw new RuntimeException(msg);  
73.         \}  
74.         new File(outputFile.getAbsolutePath()+".txt").delete();  
75.         return strB.toString();  
76.     \}  
77. \}

[view plain][] [copy to clipboard][view plain] [print][view plain] [?][view plain]

1.  import java.io.File;  
2.  import java.io.IOException;  
3.    
4.  public class TestOCR \{  
5.    
6.      /\*\* 
7.       \* @param args 
8.       \*/  
9.      public static void main(String\[\] args) \{  
10.         String path = "d:\\\\test\\\\chi.jpg";     
11.         try \{     
12.             String valCode = new OCR().recognizeText(new File(path), "jpg");     
13.             System.out.println(valCode);     
14.         \} catch (IOException e) \{     
15.             e.printStackTrace();     
16.         \} catch (Exception e) \{  
17.             e.printStackTrace();  
18.         \}      
19.     \}  
20.   
21. \}

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”

![6905_1294109277pAj9.jpg][]

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][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。

[tesseract-ocr]: http://www.blogjava.net/wangxinsh55/archive/2011/03/22/346787.html
[http_blog.csdn.net_zhoushuyan_archive_2010_10_18_5948289.aspx_1567946]: http://blog.csdn.net/zhoushuyan/archive/2010/10/18/5948289.aspx#1567946
[http_code.google.com_p_tesseract-ocr]: http://code.google.com/p/tesseract-ocr
[ImageMagick_tesseract-ocr]: http://blog.csdn.net/foamflower/archive/2010/12/31/2010/09/9/imagemagick-tesseract-recognize-verify-code.html
[tesseract-ocr-setup-3.00.exe]: http://blog.csdn.net/foamflower/archive/2010/12/31/detail?name=tesseract-ocr-setup-3.00.exe&can=2&q=
[chi_sim.traineddata.gz]: http://blog.csdn.net/foamflower/archive/2010/12/31/detail?name=chi_sim.traineddata.gz&can=2&q=
[www.findjar.com]: http://www.findjar.com/
[view plain]: http://blog.csdn.net/foamflower/archive/2010/12/31/6110211.aspx#
[6905_1294109277pAj9.jpg]: /images/20211101/552ff872f81c45a697be181695443e5b.png
[http_www.cnblogs.com_xxpal_articles_824963.html]: http://www.cnblogs.com/xxpal/articles/824963.html