java初探Tess4j识别图片文字

知兮丶青
阅读(7333) 2018-01-13
java初探Tess4j识别图片文字
java初探Tess4j识别图片文字

想学习下识别图片中的文字,找到了Tess4j图文识别的方式,于是就初步探究下,玩下识别验证码。


第一步,下载

1、以3.4.2版本为例,下载Tess4j-3.4.2-src.zip。

2、下载中文字库,chi_sim.traineddata。


下载Tess4j参考:

http://sourceforge.net/projects/tess4j/

字库下载参考:

https://github.com/tesseract-ocr/tessdata/tree/3.04.00

api文档参考:

http://tess4j.sourceforge.net/docs/docs-3.4/



第二步,准备工作

1、解压Tess4J-3.4.2-src.zip。

2、把根目录的lib和dist相关jar拷贝到你的项目lib中。

3、再把tessdata目录拷贝到你的项目根目录中。

4、再把中文字库放入tessdata目录。

5、dll不用理,Tess4j.jar已经包含。

6、如果遇到异常,Error: Invalid memory access,Error opening data file ./tessdata/eng.traineddata说明tessdata路径不对。


压缩包目录:

tess4j目录.png


如果是使用maven:

就在pom.xml加入即可。

<dependency>
    <groupId>net.sourceforge.tess4j</groupId>
    <artifactId>tess4j</artifactId>
    <version>3.4.2</version>
</dependency>


我的项目test for java结构:

tess4j项目目录结构.png


Tess4j依赖jar参考:

commons-beanutils-1.9.2.jar
commons-io-2.6.jar
commons-logging-1.2.jar
ghost4j-1.0.1.jar
hamcrest-core-1.3.jar
itext-2.1.7.jar
jai-imageio-core-1.3.1.jar
jboss-vfs-3.2.12.Final.jar
jcl-over-slf4j-1.7.25.jar
jna-4.1.0.jar
jul-to-slf4j-1.7.25.jar
junit-4.12.jar
lept4j-1.6.2.jar
log4j-1.2.17.jar
log4j-over-slf4j-1.7.25.jar
logback-classic-1.2.3.jar
logback-core-1.2.3.jar
slf4j-api-1.7.25.jar
xmlgraphics-commons-1.5.jar



第三步,开发测试

官方简单例子:

package net.sourceforge.tess4j.example;

import java.io.File;
import net.sourceforge.tess4j.*;

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());
        }
    }
}


我的初探例子:

package com.weizhixi;

import net.sourceforge.tess4j.ITesseract;
import net.sourceforge.tess4j.Tesseract;
import net.sourceforge.tess4j.util.ImageHelper;
import javax.imageio.ImageIO;
import java.awt.image.BufferedImage;
import java.io.File;

public class Test {

    public static void main(String[] args) throws Exception{
        testEn();
        //testZh();
    }

    //使用英文字库 - 识别图片
    public static void testEn() throws Exception {
        File imageFile = new File("C:/Users/XQ/Desktop/en.png");
        BufferedImage image = ImageIO.read(imageFile);
        //对图片进行处理
        image = convertImage(image);
        ITesseract instance = new Tesseract();//JNA Interface Mapping
        String result = instance.doOCR(image); //识别
        System.out.println(result);
    }

    //使用中文字库 - 识别图片
    public static void testZh() throws Exception {
        File imageFile = new File("C:/Users/XQ/Desktop/zh.png");
        BufferedImage image = ImageIO.read(imageFile);
        //对图片进行处理
        //image = convertImage(image);
        ITesseract instance = new Tesseract();//JNA Interface Mapping
        instance.setLanguage("chi_sim");//使用中文字库
        String result = instance.doOCR(image); //识别
        System.out.println(result);
    }

    //对图片进行处理 - 提高识别度
    public static BufferedImage convertImage(BufferedImage image) throws Exception {
        //按指定宽高创建一个图像副本
        //image = ImageHelper.getSubImage(image, 0, 0, image.getWidth(), image.getHeight());
        //图像转换成灰度的简单方法 - 黑白处理
        image = ImageHelper.convertImageToGrayscale(image);
        //图像缩放 - 放大n倍图像
        image = ImageHelper.getScaledInstance(image, image.getWidth() * 3, image.getHeight() * 3);
        return image;
    }

}


处理倾斜图片:

如果图片字体倾斜的,可以用下面代码纠正

BufferedImage bi = ImageIO.read(imageFile);
ImageDeskew id = new ImageDeskew(bi);
double imageSkewAngle = id.getSkewAngle(); //获取倾斜角度
if ((imageSkewAngle > 0.05d || imageSkewAngle < -(0.05d))) {
    bi = ImageHelper.rotateImage(bi, -imageSkewAngle); //纠偏图像
}



测试1:

测试一张英文截图en.png。

en原图.png

未使用图像简单处理,运行读取图片文字:

en测试结果1.png

发现有几次无法准确识别。

使用convertImage方法对图像简单处理,运行读取图片文字:

en测试结果2.png

发现已经完全识别了。


测试2:

测试一张中文图片zh.png

zh.png

用不用convertImage,测试结果都正常:

zh中文图片测试结果.png


测试3:

来点复杂的图片:

1.png

来看看识别输出:

1、未使用图像处理

复杂识别测试.png

2、使用图像处理

复杂识别测试1.png

发现识别度提高了很多,但部分还是未能够识别。


测试4:

识别干扰度比较低的简单验证码

yzm.png

识别结果:已经正确识别了。

验证码识别测试1.png

经测试多张各种验证码,干扰度比较大的,扭曲字体的验证码不能识别。



关于训字库

训字库能提高中文字库的识别度。

需要下载中文字库:chi_sim.traindata

需要下载tesseract-ocr安装:tesseract-ocr-setup.exe 

需要下载jTessBoxEditor用于修改box文件 

至于怎么训字库,这里不展开说了。



初探总结

初探了一天,发现初级简单应用Tess4j:

1、只能识别几乎没有干扰,比较清晰的图片。

2、对图片灰度处理和放大处理,能提高识别度,但不是一定能起作用。

3、如果不准确的识别,可能要去训字库了,如测试识别图中的逗号,已经变成偏上的点了。

4、识别度受字体颜色、大小、清晰度、干扰度、扭曲、倾斜等度影响。

5、官方还提供了一些test例子,还有很多操作和应用。

初级应用只是简单的识别,能识别复杂度很大的图片文字,那是要很多牛B技术和逻辑的大神级操作。

如果想识别度很高很高几乎所有都能识别,又要快速集成、建议还是调用第三方识别API了,有些要收费的有些不用收费但有调用频次限制。



Demo下载

由于资源太大,我就不上传到我网站了。

请到我的网盘下载:

链接:https://pan.baidu.com/s/1dHje9pR

密码:z0bi

内含:

1、项目:基于maven_test4j例子项目.zip

2、官方Tess4j:Tess4J-3.4.2-src.zip

3、中文训字库:chi_sim.traineddata



原创文章,转载请注明出处:https://www.weizhixi.com/article/59.html