OCR图像识别技术的JAVA实现（一）

OCR图像识别技术的JAVA实现

最近有个需求需要用图像识别，学习记录一下。
目前网络上的开源的图像识别技术有很多，例如 OCRE(OCR Easy)、Clara OCR、OCRAD、TESSERACT-OCR 等等，今天本blog将记录下tesseract-ocr的JAVA实现，后面会记录研究下Android的使用：

• TESSERACT-OCR安装
• 程序实现

---

1、TESSERACT-OCR安装

首先下载EXE安装包进行安装，我安装的版本是“tesseract-ocr-setup-3.05.01.exe”，建议直接安装在默认路径。安装完毕后，目录下：

其中，文件夹“tessdata”用于放置语言库。

程序实现

上一步已经安装好了TESSERACT-OCR，下面直接贴代码。

核心代码 OCRHelper.java：

package com.liping.test;import java.io.BufferedReader;import java.io.File;import java.io.FileInputStream;import java.io.InputStreamReader;import java.util.ArrayList;import java.util.List;/** * 图文识别帮助类 * * @author Felix Li * @create 2017-12-19-9:12 */public class OCRHelper {    private final String LANG_OPTION = "-l";    private final String EOL = System.getProperty("line.separator");    /**     *  Tesseract-OCR的安装路径     */    private String tessPath = "C://Program Files (x86)//Tesseract-OCR";    //private String tessPath = new File("tesseract").getAbsolutePath();    /**     * @param imageFile   传入的图像文件     * @param imageFormat 传入的图像格式     * @return 识别后的字符串     */    public String recognizeText(File imageFile) throws Exception {        /**         * 设置输出文件的保存的文件目录         */        File outputFile = new File(imageFile.getParentFile(), "output");        StringBuffer strB = new StringBuffer();        List<String> cmd = new ArrayList<String>();        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();        /**         *Sets this process builder's working directory.         */        pb.directory(imageFile.getParentFile());        cmd.set(1, imageFile.getName());        pb.command(cmd);        pb.redirectErrorStream(true);        long startTime = System.currentTimeMillis();        System.out.println("开始时间：" + startTime);        Process process = pb.start();        // tesseract.exe 1.jpg 1 -l chi_sim        //不习惯使用ProcessBuilder的，也可以使用Runtime，效果一致        // Runtime.getRuntime().exec("tesseract.exe 1.jpg 1 -l chi_sim");        /**         * the exit value of the process. By convention, 0 indicates normal         * termination.         *///      System.out.println(cmd.toString());        int w = process.waitFor();        if (w == 0)// 0代表正常退出        {            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();            long endTime = System.currentTimeMillis();            System.out.println("结束时间：" + endTime);            System.out.println("耗时：" + (endTime - startTime) + "毫秒");        } 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 recognize the image or its selected region.";                    break;                case 31:                    msg = "Unsupported image format.";                    break;                default:                    msg = "Errors occurred.";            }            throw new RuntimeException(msg);        }        new File(outputFile.getAbsolutePath() + ".txt").delete();        return strB.toString().replaceAll("\\s*", "");    }}

测试类Test.java：

package com.liping.test;import java.io.File;import java.io.IOException;/** * 测试主类 * * @author Felix Li * @create 2017-12-19-9:17 */public class Test {    public static void main(String[] args) {        try {            //图片文件：此图片是需要被识别的图片             File file = new File("C://Program Files (x86)//Tesseract-OCR//shouye.png");            String recognizeText = new OCRHelper().recognizeText(file);            System.out.print(recognizeText + "\t");        } catch (IOException e) {            e.printStackTrace();        } catch (Exception e) {            e.printStackTrace();        }    }}

以上就是TESSERACT-OCR的JAVA使用。

注意事项
图片读出来有的字符可能会乱码，这是由于识别语言库的原因，可以训练语言库，来提升识别准确率与识别速度，这个以后再讲。
有问题的欢迎留言讨论！