java初探Tess4j识别图片文字

我是仁交社

想学习下识别图片中的文字，找到了Tess4j图文识别的方式，于是就初步探究下，玩下识别验证码。
第一步，下载

1、以3.4.2版本为例，下载Tess4j-3.4.2-src.zip。
2、下载中文字库，chi_sim.traineddata。
下载Tess4j参考：
http://sourceforge.net/projects/tess4j/
字库下载参考：
https://github.com/tesseract-ocr/tessdata/tree/3.04.00
api文档参考：
http://tess4j.sourceforge.net/docs/docs-3.4/
第二步，准备工作

1、解压Tess4J-3.4.2-src.zip。
2、把根目录的lib和dist相关jar拷贝到你的项目lib中。
3、再把tessdata目录拷贝到你的项目根目录中。
4、再把中文字库放入tessdata目录。
5、dll不用理，Tess4j.jar已经包含。
6、如果遇到异常，Error: Invalid memory access，Error opening data file ./tessdata/eng.traineddata说明tessdata路径不对。
压缩包目录：



如果是使用maven：
就在pom.xml加入即可。
<dependency>
    <groupId>net.sourceforge.tess4j</groupId>
    <artifactId>tess4j</artifactId>
    <version>3.4.2</version>
</dependency>我的项目test for java结构：



Tess4j依赖jar参考：
commons-beanutils-1.9.2.jar
commons-io-2.6.jar
commons-logging-1.2.jar
ghost4j-1.0.1.jar
hamcrest-core-1.3.jar
itext-2.1.7.jar
jai-imageio-core-1.3.1.jar
jboss-vfs-3.2.12.Final.jar
jcl-over-slf4j-1.7.25.jar
jna-4.1.0.jar
jul-to-slf4j-1.7.25.jar
junit-4.12.jar
lept4j-1.6.2.jar
log4j-1.2.17.jar
log4j-over-slf4j-1.7.25.jar
logback-classic-1.2.3.jar
logback-core-1.2.3.jar
slf4j-api-1.7.25.jar
xmlgraphics-commons-1.5.jar
第三步，开发测试

官方简单例子：
package net.sourceforge.tess4j.example;

import java.io.File;
import net.sourceforge.tess4j.*;

public class TesseractExample {
    public static void main(String[] args) {
        File imageFile = new File("eurotext.tif");
        ITesseract instance = new Tesseract();  // JNA Interface Mapping
        // ITesseract instance = new Tesseract1(); // JNA Direct Mapping

        try {
            String result = instance.doOCR(imageFile);
            System.out.println(result);
        } catch (TesseractException e) {
            System.err.println(e.getMessage());
        }
    }
}我的初探例子：
package com.weizhixi;

import net.sourceforge.tess4j.ITesseract;
import net.sourceforge.tess4j.Tesseract;
import net.sourceforge.tess4j.util.ImageHelper;
import javax.imageio.ImageIO;
import java.awt.image.BufferedImage;
import java.io.File;

public class Test {

    public static void main(String[] args) throws Exception{
        testEn();
        //testZh();
    }//使用英文字库 - 识别图片
    public static void testEn() throws Exception {
        File imageFile = new File("C:/Users/XQ/Desktop/en.png");
        BufferedImage image = ImageIO.read(imageFile);
        //对图片进行处理
        image = convertImage(image);
        ITesseract instance = new Tesseract();//JNA Interface Mapping
        String result = instance.doOCR(image); //识别
        System.out.println(result);
    }//使用中文字库 - 识别图片
    public static void testZh() throws Exception {
        File imageFile = new File("C:/Users/XQ/Desktop/zh.png");
        BufferedImage image = ImageIO.read(imageFile);
        //对图片进行处理
        //image = convertImage(image);
        ITesseract instance = new Tesseract();//JNA Interface Mapping
        instance.setLanguage("chi_sim");//使用中文字库
        String result = instance.doOCR(image); //识别
        System.out.println(result);
    }
    //对图片进行处理 - 提高识别度
    public static BufferedImage convertImage(BufferedImage image) throws Exception {
        //按指定宽高创建一个图像副本
        //image = ImageHelper.getSubImage(image, 0, 0, image.getWidth(), image.getHeight());
        //图像转换成灰度的简单方法 - 黑白处理
        image = ImageHelper.convertImageToGrayscale(image);
        //图像缩放 - 放大n倍图像
        image = ImageHelper.getScaledInstance(image, image.getWidth() * 3, image.getHeight() * 3);
        return image;
    }

}处理倾斜图片：
如果图片字体倾斜的，可以用下面代码纠正
BufferedImage bi = ImageIO.read(imageFile);
ImageDeskew id = new ImageDeskew(bi);
double imageSkewAngle = id.getSkewAngle(); //获取倾斜角度
if ((imageSkewAngle > 0.05d || imageSkewAngle < -(0.05d))) {
    bi = ImageHelper.rotateImage(bi, -imageSkewAngle); //纠偏图像
}测试1：
测试一张英文截图en.png。



未使用图像简单处理，运行读取图片文字：



发现有几次无法准确识别。
使用convertImage方法对图像简单处理，运行读取图片文字：



发现已经完全识别了。
测试2：
测试一张中文图片zh.png



用不用convertImage，测试结果都正常：



测试3：
来点复杂的图片：



来看看识别输出：
1、未使用图像处理



2、使用图像处理



发现识别度提高了很多，但部分还是未能够识别。
测试4：
识别干扰度比较低的简单验证码



识别结果：已经正确识别了。



经测试多张各种验证码，干扰度比较大的，扭曲字体的验证码不能识别。
关于训字库

训字库能提高中文字库的识别度。
需要下载中文字库：chi_sim.traindata
需要下载tesseract-ocr安装：tesseract-ocr-setup.exe
需要下载jTessBoxEditor用于修改box文件
至于怎么训字库，这里不展开说了。
初探总结

初探了一天，发现初级简单应用Tess4j：
1、只能识别几乎没有干扰，比较清晰的图片。
2、对图片灰度处理和放大处理，能提高识别度，但不是一定能起作用。
3、如果不准确的识别，可能要去训字库了，如测试识别图中的逗号，已经变成偏上的点了。
4、识别度受字体颜色、大小、清晰度、干扰度、扭曲、倾斜等度影响。
5、官方还提供了一些test例子，还有很多操作和应用。

冰峰万里

前排，哇咔咔