tesseract-ocr 实现图片识别功能

不久前因为项目需要，接触了一下关于图像识别的相关内容，比如Tesseract,这里就在这里分享下。

1、Tesserac-ocr简介

[一个Google支持的开源的OCR图文识别开源项目。去持多语言(当前3.02 版本支持包括英文,简体中文,繁体中文),支持Windows,Linux,Mac OSX 多平台。使用中Tesseract 的识别率非常高。可以在项目网站下载：http://code.google.com/p/tesseract-ocr，新版本支持中文,中文语言包定义http://code.google.com/p/tesseract-ocr/downloads/detail?name=chi_sim.traineddata.gz。]

2、Tesseract安装

这里使用的版本为Tesseract3.02。直接点击上面的链接，下载windows下的安装文件tesseract-ocr-setup-3.02.02.exe。

安装tesseract-ocr-setup-3.02.02.exe。安装成功后会在相应磁盘上生成一个Tesseract-OCR目录。如图我是安装到了如下位置

安装完成打开命令行，输入tesseract，展现如下图说明已经安装成功

3、命令行测试使用

接下来就可以使用tesseract进行图片识别了。准备一副待识别的图像，这里用画图工具随便写了一段字，然后定义成1.jpg

在命令行中定位到图片路径然后输入命令：

tesseract 1.jpg result -l eng

     其中result表示输出结果文件txt名称，eng表示用以识别的语言文件为英文。会发现图片当前目录下生成了1个result.txt文件里面结果为

4、增加中文语言库

安装目录下的tessdata目录存放的是语言识别包，如果想增加中文识别功能，可以将中文的语言库放到此目录下，下载链接在下面地址：http://pan.baidu.com/s/1hqnGq4c，下载后将解压出的chi_sim.traineddata放到此目录下。然后调用的时候指明语言库即可，例如：tesseract xxx.jpg result -l chi_sim

照样，我们搞一个2.jpg图片，来测试下中文识别下的识别率怎么样。

执行后结果

可以看到，识别率并不是十分令人满意。而且这边使用的例子都是十分正规的字体。如果遇到验证码那种不规则的字体，识别率也会大打折扣的。

当然可以参考网上的相关资料进行对Tesseract字符识别进行样本训练，通过使用训练后的语言库会提高识别精度。这里就不做演示了。参考地址：

http://blog.csdn.net/yasi_xi/article/details/8763385 。但是遗憾的是使用的工具jTessBoxEditor不支持中文训练。附带jTessBoxEditor1.0 下载地址：http://pan.baidu.com/s/1sjBe5el

5、使用java调用tesseract

那如何使用java程序调用相应的tesseract进行操作呢？

这里介绍2种方式。

一种是使用cmd方式，另外一种就是使用tess4j。tess4j的源码地址 http://sourceforge.jp/projects/sfnet_tess4j/ 中文首页

感兴趣的自己下载查看源代码。

由于范例代码较多就不一一贴出来了，会在文章结尾提供一个下载链接，大概讲下结构，

如上图，tess4j包下是使用tess4j调用tesseract，src下的dll文件是需要使用到的。同时，加载的语言库文件也要放到tessdata目录下。而cmd 包下是使用cmd方式调用的范例，额外需要swingx-1.6.1.jar，调用时直接配置使用的安装的路径，并配置语言库即可。

代码下载地址，由于附带了data文件，jar包等，所以会比较大，接近50M。导入到工程即可。各个包下都有测试的Test类，直接右键就可以运行。前提是对应目录下有相应图片。

在cmd包下ClearImageHelper这个类是对图片进行处理的类，比如灰度转换，二值化，缩放等等，对于复杂图片可以先进行处理，来提高图片识别率。而tess4j下也封装了图片处理的工具类，基本都包含这些功能，例子中也给出了部分样例。

Bty，话说使用原生态识别调用，跟tess4j得到的结果还是有所差别的。

源码下载地址：http://download.csdn.net/download/ardo_pass/10123834