tesseract-ocr图片识别开源工具

tesseract-ocr图片识别开源工具

今天看同事的ppt，提到了图片识别，又tesseract-ocr，觉得不错，试一下，如果效果好可以用来做验证码的识别
http://code.google.com/p/tesseract-ocr/

tesseract是一款开源工具，我安装了Windows版试水先

1、首先登录首页在‘下载’页面下载

Java代码  

1. tesseract-ocr-setup-xx.xx.exe
2. chi_sim.traineddata.gz   中文语言包

2、双击即可安装tesserract-ocr,

3、安装中文语言包，将语言包 chi_sim.traineddata.gz   解压到 Tesseract-OCR下

4、写测试代码：

Java代码  

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

Java代码  

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

测试代码

Java代码  

1. package com.taobao.voc.tesseract;
2. import java.io.File;
3. import java.io.IOException;
4. public class TestOCR {
5. /**
6. * @param args
7. */
8. public static void main(String[] args) {
9. String path = "d://test4.jpg";
10. try {
11. String valCode = new OCR().recognizeText(new File(path), "jpg");
12. System.out.println(valCode);
13. } catch (IOException e) {
14. e.printStackTrace();
15. } catch (Exception e) {
16. e.printStackTrace();
17. }
18. }
19. }

String path = "d://test4.jpg"; 修改为需要测试的图片，最好全中文，如果因为请更换语言包，OCR类中cmd.add("chi_sim");