java使用tesseract-ocr进行文字识别

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档

文章目录

• 前言
• 一、tesseract-ocr是什么？
• 二、使用步骤
• • 1.下载exe安装包
  • 2.安装
  • 3.使用
  • 3.设置全局path
  • 二、java如何进行调用
  • • 1.引入依赖
    • 2.demo使用
    • 3.环境变量配置

      ---

      前言

      公司使用AI进行OCR文字识别效果不好，并且提供的服务不稳定，本次查找到使用java也能连接的OCR开源项目进行识别的学习

      ---

      一、tesseract-ocr是什么？

      tesseract-ocr是一个开源的OCR文字识别项目，目前版本已经更新到5.X.X了，并且提供多种环境的安装，本次我们在window进行安装并且使用。

      二、使用步骤

      1.下载exe安装包

      说明：tesseract-ocr目前训练的数据是放在tessdata文件夹下，后缀为traineddata文件，目前支持100多种语言。今天安装的为第三方支持的安装包。

      https://github.com/UB-Mannheim/tesseract/wiki
      

      该页面下有支持64位和32位的安装包

      tesseract-ocr-w32-setup-5.3.0.20221222.exe (32 bit) and
      tesseract-ocr-w64-setup-5.3.0.20221222.exe (64 bit) resp.
      

      ``

      2.安装

      在软件安装时，默认只会安装英文训练的数据集合，要使用其他文字，需要在安装时，进行勾选。

      3.使用

      该exe安装的软件可以直接使用tesseract.exe进行命令行执行文字识别。进入到exe存在的目录下。cmd进入到命命令执行框

      //官方
      tesseract imagename outputbase [-l lang] [--oem ocrenginemode] [--psm pagesegmode] [configfiles...]
      

      imagename ：图片的位置

      outputbase：输出的文件名字，不加后缀保存为txt格式

      -l lang：识别的语言类型，不加默认为英文，中文使用-l chi_sim,使用多种语言识别如 -l eng+deu

      –psm pagesegmode:参数

      –oem:使用识别的引擎，新版都是用 --oem 1（LSTM模式）

      configfiles: 可以执行输入的格式如 pdf, hocr ,tsv

      -psm 后携带的参数:
      0 =方向和脚本检测(OSD)。
      1 =自动页面分割与OSD。
      2 =自动页面分割，但没有OSD，或OCR
      3 =全自动页面分割，无OSD。(默认)
      4 =假设一列文本大小可变。
      5 =假设有一个垂直对齐的文本块。
      6 =假设有一个统一的文本块。
      7 =将图像视为单个文本行。
      8 =把图像看成一个单词。
      9 =把图像看成一个圆圈里的单个单词。
      10 =将图像视为单个字符。
      -l lang和/或-psm pagesegmode必须出现在任何configfile之前。
      

      tesseract.exe C:\Users\Lenovo\Pictures\联想截图\联想截图_20230220144409.png out -l chi_sim
      

      识别结果默认为out.txt在exe目录下

      3.设置全局path

      要想在其他目录使用tesseract.exe工具，那么奖该工具父目录添加到环境变量中

      二、java如何进行调用

      1.引入依赖

      tess4j是针对java对tesseract封装调用的api依赖，我们只需要在项目中引入pom即可开箱使用，注意，版本可能会影响，目前我引入的版本为5.0.0

         net.sourceforge.tess4j tess4j 5.0.0 

      2.demo使用

       public static void main(String[] args) throws IOException { // 创建实例
          ITesseract instance = new Tesseract();
          // 设置识别语言
       
          //instance.setLanguage("chi_sim");
          instance.setLanguage("jpn");
          // 设置识别引擎
       
          instance.setOcrEngineMode(1);
          instance.setPageSegMode(6);
       
          // 读取文件
       
          BufferedImage image = ImageIO.read(new File("C:\\Users\\Lenovo\\Pictures\\联想截图\\联想截图_20230220143248.png"));
          try { // 识别
              //String res = instance.doOCR(new File("C:\\Users\\Lenovo\\Pictures\\联想截图\\联想截图_20230220144409.png"));
              String result = instance.doOCR(image);
              System.out.println(result);
         } catch (TesseractException e) { System.err.println(e.getMessage());
         }
       }
      

      注意：在新版本中识别引擎不能为0，否则报错

      3.环境变量配置

      我是用idea时需要配置环境变量，告知tessdata文件夹的位置，并且加入到Environment variables:TESSDATA_PREFIX=D:\Tesseract-OCR\tessdata

      ---