Tesseract-ocr文字识别

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。

[java] view  plaincopy

  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. }

[java] view  plaincopy

  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. }

[java] view  plaincopy

  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”

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。

				


				
时间： 2024-10-04 15:41:27 

		


		


	

	
	

		


		
Tesseract-ocr文字识别的相关文章


						

		

			

                ABBYY FineReader Engine泰比OCR文字识别控件桌面版说明
			

		

		

									

				FineReader Engine用于开发ocr文字识别软件和图片识别软件,提供自己的OCR API, 包括光学字符识别(OCR).智能字符识别(ICR).光标识别(OMR).光学条码识别(OBR).文档图片.PDF转换技术和 图像识别技术. 新的泰比(ABBYY)FineReader Engine 10将使你体会到非同一般的OCR文字识别软件质量和可用性: 选择泰比(ABBYY)FineReader Engine 10,将获得无与伦比的准确性.更高的ocr技术的质量和速度.与众不同的功能性以及			

		

	

				

		

			

                最新OCR文字识别软件提高OCR性能的方法
			

		

		

									

				新一代ABBYY FineReader OCR文字识别软件在处理文件时,能够快速.准确的进行文件扫描和转换,并提供智能工具以增加工作效率,使企业和个人生产力在OCR性能上显着增强至新水平,包括新的黑白模式,提高了文件的处理速度.在精简的文件转换过程中,FineReader可以进一步提高其独特的能力,重建原生的多页文件格式,还支持最流行的格式轻松创建电子图书.此外,它扩展其业界领先的语言支持,使获奖的解决方案可用于新的全球市场. "ABBYY FineReader可以帮助人们在较短的时间内完成事半			

		

	

				

		

			

                精品软件 推荐  ABBYY FineReader 世界排名第一的 OCR 文字识别工具
			

		

		

									

				ABBYY FineReader 是世界排名第一的 OCR 文字识别工具,提供高效和精准的文档识别.数据提取解决方案,支持多国字符和彩色文件识别,主要用于将扫描图像.图片型PDF转化成可编辑的文本. ABBYY FineReader 可以看作是超级无敌的 PDF 转换器,能转换任意类型的 PDF,其他 PDF 转换工具.或清华紫光OCR.尚书七号.汉王OCR等在它面前都可谓是浮云.比较常用的功能为:扫描到 Word.将PDF/图像.图片转换为 Word 文档或者可编辑/可搜索的PDF文档,另外也			

		

	

				

		

			

                ocr文字识别软件ABBYY FineReader介绍
			

		

		

									

				ABBYY是世界文档识别.数据捕获和语言软件技术开发商的领航者.其获奖产品 FineReader OCR 软件可以把静态纸文件和 PDF 文件转换成可编辑可管理的电子文档形式,可以大大节省您的时间和精力. 理想的 OCR (Optical Character Recognition) .PDF 转换应用软件,不但提供高识别率,而且可以精确地保留原始设置和版面布局,可以把静态纸文件和 PDF 文件转换成可管理的电子格式!它可以将通过扫描仪.MFP 或数码相机生成的图像.PDF 文件,进行快速转换为			

		

	

				

		

			

                OCR文字识别软件拆分对页和校正文本方向的教程
			

		

		

									

				在使用ABBYY FineReader Pro for Mac OCR文字识别软件转换文档的时候,如果检测到的已识别文本片段方向错误,或片段的文本反转,表示片段中可能包含大量错误,那么应该怎样正确地识别此类文本呢?本文为大家详细讲解. 要正确识别此类文本: 1.在"图像"窗口中选择含有竖排区域或反转文本的表格单元格. 2.单击主工具栏中的"检查器",然后单击"区域检查器"按钮. 在"文本属性"面板中: ?在"反向&q			

		

	

				

		

			

                怎么给OCR文字识别软件设置正确的扫描分辨率
			

		

		

									

				ABBYY FineReader 12是一款专业的OCR文字识别软件,可快速方便地将扫描纸质文档.PDF文件和数码相机的图像转换成可编辑.可搜索的文本,不仅支持对页扫描,还支持多页扫描,扫描分辨率的选取是比较重要的一项操作,分辨率选择得不好,将直接影响扫描结果,那么ABBYY FineReader该如何选择正确的扫描分辨率呢? 通常情况下,ABBYY FineReader建议的扫描分辨率为 300 dpi. 重要事项!当垂直分辨率和水平分辨率相同时,FineReader可以提供最佳的OCR效果.			

		

	

				

		

			

                OCR文字识别软件：数字信息化不可或缺的重要组成部分
			

		

		

									

				OCR文字识别技术,是在国家"863"计划国家自然科学基金长期支持下,清华大学电子工程系智能图文信息处理研究室汉字识别研究工作的基础上开发完成的.该软件能够快速地将印刷的文档转化为可供阅读和可编辑的高质量电子文档,进而将电子文档应用到各类数据库.电子出版物.数字图书馆.网络资源等新型资源的建设和再版图书生产中,是行业数字信息化不可或缺的重要组成部分. 主要功能模块 OCR文字识别软件识别核心 OCR文字识别软件内置高性能文字识别引擎,中文识别率达99.8%以上.英文.日文.韩文的识别率			

		

	

				

		

			

                浅析android OCR文字识别
			

		

		

									

				这学期有门课程老师要求用JAVA实现一个OCR文字识别的程序,所以就花了一些时间研究了一下在安卓端如何实现 OCR的引擎是用的开源项目tesseract-ocr 这个安卓版的地址:https://code.google.com/p/tesseract-android-tools/ 但是自己在编译的时候老是出错,于是在网上寻找到了别人编译好安卓可用的tess-two导入到项目中(参考文章地址 http://www.cnblogs.com/hangxin1940/archive/2012/01/13			

		

	

				

		

			

                怎么提高OCR文字识别软件的识别正确率
			

		

		

									

				在OCR文字识别软件当中,ABBYY FineReader是比较好用的程序之一,但再好的识别软件也不能保证100%的识别正确率,用户都喜欢软件的正确率高一些,以减轻识别后修正的负担,很多用户也都提过这样的问题,今天就为大家讲讲如何提高ABBYY FineReader的识别正确率(这里以ABBYY FineReader 12为例). 1.打开ABBYY FineReader 12主界面,找到"文档语言",在满足条件的情况下选择尽可能少的语言,这样就可以降低识别产生的错误. 2.选定合适的			

		

	

				

		

			

                OCR文字识别技术的用处
			

		

		

									

				图片文字识别软件ABBYY FineReader是现在办公室的必备软件,它可以识别JPG.GIF.PNG.BMP.TIF和PDF源文件.PDF扫描件,也就是说我们在日常工作中能够遇到的不能编辑的文字都可以通过ABBYY FineReader图片文字识别软件来识别,识别得到的文字可以自由的进行编辑.有很多人有这样的疑问,图片文字识别软件的技术原理是什么呢? 1.图文输入:是指通过输入设备将文档输入到计算机中,也就是实现原稿的数字化.现在用得比较普遍的设备是扫描仪.文档图像的扫描质量是OCR软件正确