tesseract-ocr识别中文扫描图片实例讲解

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: 2024-10-12 07:25:47

tesseract-ocr识别中文扫描图片实例讲解的相关文章

tesseract-ocr 识别中文扫描图片

原文链接:http://www.cnblogs.com/alex-blog/articles/2714984.html 项目主页地址:http://code.google.com/p/tesseract-ocr/ 相关资源下载地址:http://code.google.com/p/tesseract-ocr/downloads/list 需要下载的资源有: 1.tesseract-ocr-setup-3.01-1.exe 因我本地为windows系统,所以用这个 2.chi_sim.traine

身份证扫描识别/身份证OCR识别的正确姿势,你get到了吗?

自从国家规定电信实名制之后,实名制已经推广到各个领域:办理通信业务需要实名制.银行开户需要实名制.移动支付需要实名制,就连注册个自媒体账户都需要实名制. 而实名制的背后,就是身份证信息的采集和录入验证. 传统的手工录入身份证信息费时费力,易出错. 身份证OCR识别/身份证扫描识别技术的出现,使以上问题迎刃而解. 目前市场上做身份证OCR识别/身份证扫描识别的厂商大概有四五家左右.在选择身份证OCR识别/身份证扫描识别时,需要从以下几个方面考虑: 1.识别率 2.识别时间 3.开发包大小 4.识别

Tesseract OCR集成Android Studio实现OCR识别

Tesseract OCR集成Android Studio实现OCR识别 介绍 Tesseract OCR谷歌开源的OCR识别引擎,支持多国文字包括中文简体与繁体.最新的版本是3.x.可以通过安装程序安装在机器上然后通过命令行运行该程序识别各种图片中的文字.同时还提供二次开发包,支持二次开发包括C.C++语言.也可以被移植到Android平台实现移动应用领域的OCR识别APP. 下载 在Android平台上使用Tesseract OCR首先要下载Tess2工程,它是专门针对Android平台编译

基于Tesseract OCR的文字识别Android应用开发资料整理

前言 一.Tesseract OCR引擎 Tesseract OCR是HP公司于1985~1995年间开发的商业级OCR(Optical Character Reader, 光学字符阅读器)引擎,并于2005年开放源代码.以下是它sourceforge上的网址: http://sourceforge.net/projects/tesseract-ocr/?source=directory 现在已转移到谷歌的代码服务下: https://code.google.com/p/tesseract-oc

开源OCR识别库-Tesseract介绍

最近在github上面看到一个开源的ocr文字识别库,感觉效果还可以,所以在这里介绍一下,这个项目的原地址在:https://github.com/tesseract-ocr/tesseract. tesseract库支持你训练自己的文字识别模型,当然其本身已经提供了几十种不同语言模型,你也可以直接下载使用,最新的4.0版本使用了LSTM神经网络框架, 在识别中文方面效果还是不错的.tesseract有两种使用方式,一种是安装完成以后,通过命令行向tesseract应用传入要解析的图片,翻译完成

Onenote实现OCR识别图片

OCR识别推荐两个软件: Tesseract:一个开源的,由谷歌维护的OCR软件. Onenote:微软Office附带或者可以自己独立安装. 这次讲Onenote实现的OCR识别. 注:2010版及其以后版本OCR实现方式类似:office将其转换为特定xm格式,然后提取想要的节点就ok了:onenote2007识别比较简单:通过MODI API接口直接之别. 我这里是实现了 office2007和office2010的ocr识别函数. 源程序下载:坚果云连接 1 using Microsof

C++调用Asprise OCR识别图片

在一个识别软件中发现了Asprise OCR的"身影",上官网查了一下相关信息,发现功能挺强大的,识别印刷体应该不错,遗憾的是好像不能识别中文,不过不知道它对扭曲后的英文识别能力怎么样,否则的话可以用来识别验证码.在官网下载了C++的Demo,这里记录一下. 1.准备 在官网下载C++的Dll和头文件,创建使用VS2010创建win32工程,将下载的dll和文件拷贝到创建的工程目录. 2.代码 #include <iostream> #include "aspri

Java OCR 图像智能字符识别技术,可识别中文

http://blog.csdn.net/zhoushuyan/article/details/5948289 验证码的OCR方式识别 http://ykf.iteye.com/blog/212431 几天一直在研究OCR技术,据我了解的情况,国内最专业的OCR软件只有2家,清华TH-OCR和汉王OCR,看了很多的OCR技术发现好多对英文与数字的支持都很好,可惜很多都不支持中文字符.Asprise-OCR,Tesseract 3.0以前的版本,都不支持中文,其实我用了下Asprise-OCR算是

怎样利用OCR文字识别软件实现图片转文字操作?

图片对于大家来说都是一个很熟悉的东西,可往往是越熟悉的东西,我们越会忽略它更多地东西.今天小编就交给大家一种利用OCR文字识别软件实现图片转文字的操作. 第一步:今天小编分享给大家的是利用OCR文字识别软件实现图片转文字的操作,于是OCR文字识别软件就是我们需要借助的工具了.那么就需要点击OCR文字识别软件工具里的极速识别功能键了,进入到极速识别的页面. 第二步:进入到极速识别功能界面后,我们需要的就是点击添加文件,把我们要识别的图片文件给添加进去. 第三步:选择好图片文件后,需要考虑一下图片的