java使用tesseract-ocr进行文字识别_tesseract ocr java

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档

---

前言

公司使用AI进行OCR文字识别效果不好，并且提供的服务不稳定，本次查找到使用java也能连接的OCR开源项目进行识别的学习

---

一、tesseract-ocr是什么？

tesseract-ocr是一个开源的OCR文字识别项目，目前版本已经更新到5.X.X了，并且提供多种环境的安装，本次我们在window进行安装并且使用。

二、使用步骤

1.下载exe安装包

说明：tesseract-ocr目前训练的数据是放在tessdata文件夹下，后缀为traineddata文件，目前支持100多种语言。今天安装的为第三方支持的安装包。

https://github.com/UB-Mannheim/tesseract/wiki
1

该页面下有支持64位和32位的安装包

tesseract-ocr-w32-setup-5.3.0.20221222.exe (32 bit) and
tesseract-ocr-w64-setup-5.3.0.20221222.exe (64 bit) resp.
1
2

``

2.安装

在软件安装时，默认只会安装英文训练的数据集合，要使用其他文字，需要在安装时，进行勾选。

3.使用

该exe安装的软件可以直接使用tesseract.exe进行命令行执行文字识别。进入到exe存在的目录下。cmd进入到命命令执行框

//官方
tesseract imagename outputbase [-l lang] [--oem ocrenginemode] [--psm pagesegmode] [configfiles...]
1
2

imagename ：图片的位置
outputbase：输出的文件名字，不加后缀保存为txt格式
-l lang：识别的语言类型，不加默认为英文，中文使用-l chi_sim,使用多种语言识别如 -l eng+deu
–psm pagesegmode:参数
–oem:使用识别的引擎，新版都是用 --oem 1（LSTM模式）
configfiles: 可以执行输入的格式如 pdf, hocr ,tsv

-psm 后携带的参数:
0 =方向和脚本检测(OSD)。
1 =自动页面分割与OSD。
2 =自动页面分割，但没有OSD，或OCR
3 =全自动页面分割，无OSD。(默认)
4 =假设一列文本大小可变。
5 =假设有一个垂直对齐的文本块。
6 =假设有一个统一的文本块。
7 =将图像视为单个文本行。
8 =把图像看成一个单词。
9 =把图像看成一个圆圈里的单个单词。
10 =将图像视为单个字符。
-l lang和/或-psm pagesegmode必须出现在任何configfile之前。
1
2
3
4
5
6
7
8
9
10
11
12
13

tesseract.exe C:\Users\Lenovo\Pictures\联想截图\联想截图_20230220144409.png out -l chi_sim
1

识别结果默认为out.txt在exe目录下

3.设置全局path

要想在其他目录使用tesseract.exe工具，那么奖该工具父目录添加到环境变量中

二、java如何进行调用

1.引入依赖

tess4j是针对java对tesseract封装调用的api依赖，我们只需要在项目中引入pom即可开箱使用，注意，版本可能会影响，目前我引入的版本为5.0.0

        <!-- https://mvnrepository.com/artifact/net.sourceforge.tess4j/tess4j -->
        <dependency>
            <groupId>net.sourceforge.tess4j</groupId>
            <artifactId>tess4j</artifactId>
            <version>5.0.0</version>
        </dependency>
1
2
3
4
5
6

2.demo使用

  public static void main(String[] args) throws IOException {
    // 创建实例
    ITesseract instance = new Tesseract();

    // 设置识别语言
 
    //instance.setLanguage("chi_sim");
    instance.setLanguage("jpn");

    // 设置识别引擎
 
    instance.setOcrEngineMode(1);
    instance.setPageSegMode(6);
 
    // 读取文件
 
    BufferedImage image = ImageIO.read(new File("C:\\Users\\Lenovo\\Pictures\\联想截图\\联想截图_20230220143248.png"));
    try {
      // 识别
        //String res = instance.doOCR(new File("C:\\Users\\Lenovo\\Pictures\\联想截图\\联想截图_20230220144409.png"));
        String result = instance.doOCR(image);
        System.out.println(result);
   } catch (TesseractException e) {
      System.err.println(e.getMessage());
   }
 }
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26

注意：在新版本中识别引擎不能为0，否则报错

3.环境变量配置

我是用idea时需要配置环境变量，告知tessdata文件夹的位置，并且加入到Environment variables:TESSDATA_PREFIX=D:\Tesseract-OCR\tessdata

---