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)
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
- import java.awt.image.BufferedImage;
- import java.io.File;
- import java.io.IOException;
- import java.util.Iterator;
- import java.util.Locale;
- import javax.imageio.IIOImage;
- import javax.imageio.ImageIO;
- import javax.imageio.ImageReader;
- import javax.imageio.ImageWriteParam;
- import javax.imageio.ImageWriter;
- import javax.imageio.metadata.IIOMetadata;
- import javax.imageio.stream.ImageInputStream;
- import javax.imageio.stream.ImageOutputStream;
- import com.sun.media.imageio.plugins.tiff.TIFFImageWriteParam;
- public class ImageIOHelper {
- /**
- * 图片文件转换为tif格式
- * @param imageFile 文件路径
- * @param imageFormat 文件扩展名
- * @return
- */
- public static File createImage(File imageFile, String imageFormat) {
- File tempFile = null;
- try {
- Iterator<ImageReader> readers = ImageIO.getImageReadersByFormatName(imageFormat);
- ImageReader reader = readers.next();
- ImageInputStream iis = ImageIO.createImageInputStream(imageFile);
- reader.setInput(iis);
- //Read the stream metadata
- IIOMetadata streamMetadata = reader.getStreamMetadata();
- //Set up the writeParam
- TIFFImageWriteParam tiffWriteParam = new TIFFImageWriteParam(Locale.CHINESE);
- tiffWriteParam.setCompressionMode(ImageWriteParam.MODE_DISABLED);
- //Get tif writer and set output to file
- Iterator<ImageWriter> writers = ImageIO.getImageWritersByFormatName("tiff");
- ImageWriter writer = writers.next();
- BufferedImage bi = reader.read(0);
- IIOImage image = new IIOImage(bi,null,reader.getImageMetadata(0));
- tempFile = tempImageFile(imageFile);
- ImageOutputStream ios = ImageIO.createImageOutputStream(tempFile);
- writer.setOutput(ios);
- writer.write(streamMetadata, image, tiffWriteParam);
- ios.close();
- writer.dispose();
- reader.dispose();
- } catch (IOException e) {
- e.printStackTrace();
- }
- return tempFile;
- }
- private static File tempImageFile(File imageFile) {
- String path = imageFile.getPath();
- StringBuffer strB = new StringBuffer(path);
- strB.insert(path.lastIndexOf(‘.‘),0);
- return new File(strB.toString().replaceFirst("(?<=//.)(//w+)$", "tif"));
- }
- }
[java] view plaincopy
- import java.io.BufferedReader;
- import java.io.File;
- import java.io.FileInputStream;
- import java.io.InputStreamReader;
- import java.util.ArrayList;
- import java.util.List;
- import org.jdesktop.swingx.util.OS;
- public class OCR {
- private final String LANG_OPTION = "-l"; //英文字母小写l,并非数字1
- private final String EOL = System.getProperty("line.separator");
- private String tessPath = "D://Program Files//Tesseract-OCR";
- //private String tessPath = new File("tesseract").getAbsolutePath();
- public String recognizeText(File imageFile,String imageFormat)throws Exception{
- File tempImage = ImageIOHelper.createImage(imageFile,imageFormat);
- File outputFile = new File(imageFile.getParentFile(),"output");
- StringBuffer strB = new StringBuffer();
- List<String> cmd = new ArrayList<String>();
- if(OS.isWindowsXP()){
- cmd.add(tessPath+"//tesseract");
- }else if(OS.isLinux()){
- cmd.add("tesseract");
- }else{
- cmd.add(tessPath+"//tesseract");
- }
- cmd.add("");
- cmd.add(outputFile.getName());
- cmd.add(LANG_OPTION);
- cmd.add("chi_sim");
- //cmd.add("eng");
- ProcessBuilder pb = new ProcessBuilder();
- pb.directory(imageFile.getParentFile());
- cmd.set(1, tempImage.getName());
- pb.command(cmd);
- pb.redirectErrorStream(true);
- Process process = pb.start();
- //tesseract.exe 1.jpg 1 -l chi_sim
- int w = process.waitFor();
- //删除临时正在工作文件
- tempImage.delete();
- if(w==0){
- BufferedReader in = new BufferedReader(new InputStreamReader(new FileInputStream(outputFile.getAbsolutePath()+".txt"),"UTF-8"));
- String str;
- while((str = in.readLine())!=null){
- strB.append(str).append(EOL);
- }
- in.close();
- }else{
- String msg;
- switch(w){
- case 1:
- msg = "Errors accessing files.There may be spaces in your image‘s filename.";
- break;
- case 29:
- msg = "Cannot recongnize the image or its selected region.";
- break;
- case 31:
- msg = "Unsupported image format.";
- break;
- default:
- msg = "Errors occurred.";
- }
- tempImage.delete();
- throw new RuntimeException(msg);
- }
- new File(outputFile.getAbsolutePath()+".txt").delete();
- return strB.toString();
- }
- }
[java] view plaincopy
- import java.io.File;
- import java.io.IOException;
- public class TestOCR {
- /**
- * @param args
- */
- public static void main(String[] args) {
- String path = "d://test//chi.jpg";
- try {
- String valCode = new OCR().recognizeText(new File(path), "jpg");
- System.out.println(valCode);
- } catch (IOException e) {
- e.printStackTrace();
- } catch (Exception e) {
- e.printStackTrace();
- }
- }
- }
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。