`
xitong
  • 浏览: 6158266 次
文章分类
社区版块
存档分类
最新评论

tesseract-ocr识别中文扫描图片实例讲解

 
阅读更多

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。

  1. importjava.awt.image.BufferedImage;
  2. importjava.io.File;
  3. importjava.io.IOException;
  4. importjava.util.Iterator;
  5. importjava.util.Locale;
  6. importjavax.imageio.IIOImage;
  7. importjavax.imageio.ImageIO;
  8. importjavax.imageio.ImageReader;
  9. importjavax.imageio.ImageWriteParam;
  10. importjavax.imageio.ImageWriter;
  11. importjavax.imageio.metadata.IIOMetadata;
  12. importjavax.imageio.stream.ImageInputStream;
  13. importjavax.imageio.stream.ImageOutputStream;
  14. importcom.sun.media.imageio.plugins.tiff.TIFFImageWriteParam;
  15. publicclassImageIOHelper{
  16. /**
  17. *图片文件转换为tif格式
  18. *@paramimageFile文件路径
  19. *@paramimageFormat文件扩展名
  20. *@return
  21. */
  22. publicstaticFilecreateImage(FileimageFile,StringimageFormat){
  23. FiletempFile=null;
  24. try{
  25. Iterator<ImageReader>readers=ImageIO.getImageReadersByFormatName(imageFormat);
  26. ImageReaderreader=readers.next();
  27. ImageInputStreamiis=ImageIO.createImageInputStream(imageFile);
  28. reader.setInput(iis);
  29. //Readthestreammetadata
  30. IIOMetadatastreamMetadata=reader.getStreamMetadata();
  31. //SetupthewriteParam
  32. TIFFImageWriteParamtiffWriteParam=newTIFFImageWriteParam(Locale.CHINESE);
  33. tiffWriteParam.setCompressionMode(ImageWriteParam.MODE_DISABLED);
  34. //Gettifwriterandsetoutputtofile
  35. Iterator<ImageWriter>writers=ImageIO.getImageWritersByFormatName("tiff");
  36. ImageWriterwriter=writers.next();
  37. BufferedImagebi=reader.read(0);
  38. IIOImageimage=newIIOImage(bi,null,reader.getImageMetadata(0));
  39. tempFile=tempImageFile(imageFile);
  40. ImageOutputStreamios=ImageIO.createImageOutputStream(tempFile);
  41. writer.setOutput(ios);
  42. writer.write(streamMetadata,image,tiffWriteParam);
  43. ios.close();
  44. writer.dispose();
  45. reader.dispose();
  46. }catch(IOExceptione){
  47. e.printStackTrace();
  48. }
  49. returntempFile;
  50. }
  51. privatestaticFiletempImageFile(FileimageFile){
  52. Stringpath=imageFile.getPath();
  53. StringBufferstrB=newStringBuffer(path);
  54. strB.insert(path.lastIndexOf('.'),0);
  55. returnnewFile(strB.toString().replaceFirst("(?<=//.)(//w+)$","tif"));
  56. }
  57. }

  1. importjava.io.BufferedReader;
  2. importjava.io.File;
  3. importjava.io.FileInputStream;
  4. importjava.io.InputStreamReader;
  5. importjava.util.ArrayList;
  6. importjava.util.List;
  7. importorg.jdesktop.swingx.util.OS;
  8. publicclassOCR{
  9. privatefinalStringLANG_OPTION="-l";//英文字母小写l,并非数字1
  10. privatefinalStringEOL=System.getProperty("line.separator");
  11. privateStringtessPath="D://ProgramFiles//Tesseract-OCR";
  12. //privateStringtessPath=newFile("tesseract").getAbsolutePath();
  13. publicStringrecognizeText(FileimageFile,StringimageFormat)throwsException{
  14. FiletempImage=ImageIOHelper.createImage(imageFile,imageFormat);
  15. FileoutputFile=newFile(imageFile.getParentFile(),"output");
  16. StringBufferstrB=newStringBuffer();
  17. List<String>cmd=newArrayList<String>();
  18. if(OS.isWindowsXP()){
  19. cmd.add(tessPath+"//tesseract");
  20. }elseif(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. ProcessBuilderpb=newProcessBuilder();
  31. pb.directory(imageFile.getParentFile());
  32. cmd.set(1,tempImage.getName());
  33. pb.command(cmd);
  34. pb.redirectErrorStream(true);
  35. Processprocess=pb.start();
  36. //tesseract.exe1.jpg1-lchi_sim
  37. intw=process.waitFor();
  38. //删除临时正在工作文件
  39. tempImage.delete();
  40. if(w==0){
  41. BufferedReaderin=newBufferedReader(newInputStreamReader(newFileInputStream(outputFile.getAbsolutePath()+".txt"),"UTF-8"));
  42. Stringstr;
  43. while((str=in.readLine())!=null){
  44. strB.append(str).append(EOL);
  45. }
  46. in.close();
  47. }else{
  48. Stringmsg;
  49. switch(w){
  50. case1:
  51. msg="Errorsaccessingfiles.Theremaybespacesinyourimage'sfilename.";
  52. break;
  53. case29:
  54. msg="Cannotrecongnizetheimageoritsselectedregion.";
  55. break;
  56. case31:
  57. msg="Unsupportedimageformat.";
  58. break;
  59. default:
  60. msg="Errorsoccurred.";
  61. }
  62. tempImage.delete();
  63. thrownewRuntimeException(msg);
  64. }
  65. newFile(outputFile.getAbsolutePath()+".txt").delete();
  66. returnstrB.toString();
  67. }
  68. }

  1. importjava.io.File;
  2. importjava.io.IOException;
  3. publicclassTestOCR{
  4. /**
  5. *@paramargs
  6. */
  7. publicstaticvoidmain(String[]args){
  8. Stringpath="d://test//chi.jpg";
  9. try{
  10. StringvalCode=newOCR().recognizeText(newFile(path),"jpg");
  11. System.out.println(valCode);
  12. }catch(IOExceptione){
  13. e.printStackTrace();
  14. }catch(Exceptione){
  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。

分享到:
评论

相关推荐

Global site tag (gtag.js) - Google Analytics