Linux环境下运行Tess4j进行OCR识别_linux tess4j

1.Tess4j& Tesseract OCR简介

Tess4J 是一个基于 Tesseract OCR 引擎的 Java 接口，可以用来识别图像中的文本。Tesseract 是一个由 Google 开发的开源 OCR 引擎，可以识别多种语言的文本。Tess4J 将 Tesseract 引擎的优势和简单性与 Java 的可移植性和易用性相结合，是一个非常强大的 OCR 解决方案。
Tess4J 提供了丰富的 API，可以很方便地进行图像处理和文本识别。它支持多种格式的图像文件，包括 BMP、PNG、JPEG、GIF 和 TIFF 等格式。Tess4J 还可以进行图像预处理，例如裁剪、缩放和二值化等，以提高文本识别的准确性。
Tess4j官网：https://tess4j.sourceforge.net/usage.html
Tesseract OCR代码库：https://github.com/tesseract-ocr/

2.Tess4j的简单案例

引入依赖

首先引入maven依赖：

<dependency>
    <groupId>net.sourceforge.tess4j</groupId>
    <artifactId>tess4j</artifactId>
    <version>4.0.0</version>
</dependency>
1
2
3
4
5

代码案例

下面是一段简单的代码案例：

// 新建工具对象
ITesseract iTesseract = new Tesseract();
// 设置语言 这里设置简体中文
iTesseract.setLanguage("chi_sim");
// 设置训练数据路径
iTesseract.setDatapath("D:\\tessdata");
// 提取图片中的文字
String result = iTesseract.doOCR(new File("D:\\test.png"));
1
2
3
4
5
6
7
8

上面设置了语言是简体中文，需要去tesseract-ocr语言库中下载预训练数据。

下载语言库

语言库下载地址：https://github.com/tesseract-ocr/tessdata

这里下载简体中文(chi_sim.traineddata)预训练数据。

3.Windows上运行ITesseract类

经过上面步骤后，可以在Windows上直接运行代码案例，因为Tess4J在Windows上是开箱即用的。下面看一下原因。

代码调用链分析

首先，看一下OCR识别的核心代码调用链路：

String result = iTesseract.doOCR(new File("D:\\test.png"));
1

下面是Tesseractl类的方法：

public String doOCR(File imageFile) throws TesseractException {
    return doOCR(imageFile, null);
}
1
2
3

public String doOCR(File imageFile, Rectangle rect) throws TesseractException {
    try {
        return doOCR(ImageIOHelper.getIIOImageList(imageFile), imageFile.getPath(), rect);
    } catch (Exception e) {
        logger.error(e.getMessage(), e);
        throw new TesseractException(e);
    }
}
1
2
3
4
5
6
7
8

下面doOCR方法里面通过init方法初始化TessAPI对象：

public String doOCR(List<IIOImage> imageList, String filename, Rectangle rect) throws TesseractException {
    init();
    setTessVariables();
    ......
}
1
2
3
4
5

TessAPI对象初始化：

protected void init() {
    api = TessAPI.INSTANCE;
    handle = api.TessBaseAPICreate();
    StringArray sarray = new StringArray(configList.toArray(new String[0]));
    PointerByReference configs = new PointerByReference();
    configs.setPointer(sarray);
    api.TessBaseAPIInit1(handle, datapath, language, ocrEngineMode, configs, configList.size());
    if (psm > -1) {
        api.TessBaseAPISetPageSegMode(handle, psm);
    }
}
1
2
3
4
5
6
7
8
9
10
11

通过Native方法通过库名称从本地依赖库中加载TessAPI对象：

public static final TessAPI INSTANCE = LoadLibs.getTessAPIInstance();
public static TessAPI getTessAPIInstance() {
    return (TessAPI) Native.loadLibrary(getTesseractLibName(), TessAPI.class);
}

1
2
3
4
5

下面是的getTesseractLibName方法的处理逻辑：

public static final String LIB_NAME = "libtesseract400";
public static final String LIB_NAME_NON_WIN = "tesseract";

public static String getTesseractLibName() {
    return Platform.isWindows() ? LIB_NAME : LIB_NAME_NON_WIN;
}
1
2
3
4
5
6

上面的代码表明，Windows系统通过libtesseract400这个name从本地依赖库获取TessAPI对象，其它系统通过tesseract这个name来获取TessAPI对象。
下面是Native类中的方法：

public static Object loadLibrary(String name, Class interfaceClass) {
    return loadLibrary(name, interfaceClass, Collections.EMPTY_MAP);
}

public static Object loadLibrary(String name,Class interfaceClass,Map options) {
    Library.Handler handler =new Library.Handler(name, interfaceClass, options);
    ClassLoader loader = interfaceClass.getClassLoader();
    Library proxy = (Library)Proxy.newProxyInstance(loader, new Class[] {interfaceClass}, handler);
    cacheOptions(interfaceClass, options, proxy);
    return proxy;
}
1
2
3
4
5
6
7
8
9
10
11

上面代码通过JDK动态代理来生成interfaceClass的对象。

为什么Windows能开箱即用

通过上面的代码调用链分析，可以知道代码运行需要调用path路径中名称为libtesseract400的本地库，上面我们引入了下面的依赖：

<dependency>
    <groupId>net.sourceforge.tess4j</groupId>
    <artifactId>tess4j</artifactId>
    <version>4.0.0</version>
</dependency>
1
2
3
4
5

打开本地maven仓库(我的是D:\m2\repository)，找到tess4j的jar包：

将上面tess4j-4.0.0.jar解压：

进入win32-x86-64目录：

可以看到tess4j-4.0.0.jar中已经包含了Windows系统需要的dll库，所以可以在Windows系统开箱即用。

4.linux上运行ITesseract类

安装tesserac

在linux系统上运行Tess4j的代码，首先需要安装leptonica和tesserac，具体安装过程参考：
https://blog.csdn.net/weixin_47914635/article/details/128715110《linux安装tesseract支持tess4j图片识别》
安装目录为：/usr/local，进入tesserac的lib目录：

可以看到tesserac的so文件。

配置环境变量

如果运行代码，报如下错误：

表示path中找不到tesserac的so文件。从上面的代码调用链分析中可以知道，是下面这段代码出了问题：

protected void init() {
    api = TessAPI.INSTANCE;
    handle = api.TessBaseAPICreate();
    StringArray sarray = new StringArray(configList.toArray(new String[0]));
    PointerByReference configs = new PointerByReference();
    configs.setPointer(sarray);
    api.TessBaseAPIInit1(handle, datapath, language, ocrEngineMode, configs, configList.size());
    if (psm > -1) {
        api.TessBaseAPISetPageSegMode(handle, psm);
    }
}
1
2
3
4
5
6
7
8
9
10
11

即系统无法初始化TessAPI对象，TessAPI对象是通过下面的代码完成的：

public static final String LIB_NAME = "libtesseract400";
public static final String LIB_NAME_NON_WIN = "tesseract";

public static final TessAPI INSTANCE = LoadLibs.getTessAPIInstance();
public static TessAPI getTessAPIInstance() {
    return (TessAPI) Native.loadLibrary(getTesseractLibName(), TessAPI.class);
}
public static String getTesseractLibName() {
    return Platform.isWindows() ? LIB_NAME : LIB_NAME_NON_WIN;
}


1
2
3
4
5
6
7
8
9
10
11
12

也就是说，需要从path路径中加载tesseract的so文件，需要将tesseract的so文件路径添加到path中。
修改环境变量(vim /etc/profile)：

LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/usr/local/leptonica/lib:/usr/local/tesseract/lib
export LD_LIBRARY_PATH
LIBRARY_PATH=$LIBRARY_PATH:/usr/local/leptonica/lib:/usr/local/tesseract/lib
export LIBRARY_PATH
LIBLEPT_HEADERSDIR=/usr/local/leptonica/include/leptonica
export LIBLEPT_HEADERSDIR

PATH=$PATH:/usr/local/tesseract/bin
export PATH
export TESSDATA_PREFIX=/usr/local/tesseract/share/tessdata 
export PATH=$PATH:$TESSDATA_PREFIX
1
2
3
4
5
6
7
8
9
10
11

让环境变量生效：

source /etc/profile
1

然后重新运行Tess4j代码。