tess4j 实现 OCR 图片文字识别

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。

今天本blog将记录下tesseract-ocr的JAVA实现，便于以后查阅使用。

开源 ocr 引擎

https://github.com/search?q=ocr 直接 github 搜索，可以看到对应的 ocr 开源框架。

我们本次直接以排名第一的 TESSERACT-OCR 作为例子。

TESSERACT-OCR 安装

https://github.com/tesseract-ocr/tesseract/wiki 这里是安装页面的 wiki。

本次测试的环境为 windows10，所以下载 windows 相关的安装包。

windows 下载地址

所有的文件列表

我这里直接下载了 tesseract-ocr-w64-setup-v4.0.0.20181030.exe

安装

安装完毕后，目录下：

直接双击 exe，然后安装。

• 指定安装特定语言包

这里我们安装一下中文的语言训练包。

【chinese】相关的四个，简体，繁体（分别对应的默认和垂直。）

比较悲催的是全部下载失败。

• 安装路径

使用默认路径：

C:\Program Files (x86)\Tesseract-OCR

• 结果

λ ls
ambiguous_words.exe*     libcairo-2.dll*        libgomp-1.dll*       libpangocairo-1.0-0.dll*  libwebp-7.dll*                  tesseract.exe*
classifier_tester.exe*   libexpat-1.dll*        libharfbuzz-0.dll*   libpangoft2-1.0-0.dll*    libwinpthread-1.dll*            tesseract-uninstall.exe*
cntraining.exe*          libffi-6.dll*          libintl-8.dll*       libpangowin32-1.0-0.dll*  lstmeval.exe*                   text2image.exe*
combine_lang_model.exe*  libfontconfig-1.dll*   libjbig-2.dll*       libpcre-1.dll*            lstmtraining.exe*               unicharset_extractor.exe*
combine_tessdata.exe*    libfreetype-6.dll*     libjpeg-8.dll*       libpixman-1-0.dll*        merge_unicharsets.exe*          wordlist2dawg.exe*
dawg2wordlist.exe*       libgcc_s_seh-1.dll*    liblept-5.dll*       libpng16-16.dll*          mftraining.exe*                 zlib1.dll*
doc/                     libgif-7.dll*          liblzma-5.dll*       libstdc++-6.dll*          set_unicharset_properties.exe*
iconv.dll*               libglib-2.0-0.dll*     libopenjp2.dll*      libtesseract-4.dll*       shapeclustering.exe*
libbz2-1.dll*            libgobject-2.0-0.dll*  libpango-1.0-0.dll*  libtiff-5.dll*            tessdata/

• 验证版本

>tesseract --version
tesseract v4.0.0.20181030
 leptonica-1.76.0
  libgif 5.1.4 : libjpeg 8d (libjpeg-turbo 1.5.3) : libpng 1.6.34 : libtiff 4.0.9 : zlib 1.2.11 : libwebp 0.6.1 : libopenjp2 2.2.0

转换测试

tesseract D:\code\ocr\src\main\resources\hello.png 1

报错

C:\Users\binbin.hou>tesseract D:\code\ocr\src\main\resources\hello.png 1
Error opening data file C:\Program Files (x86)\Tesseract-OCR/eng.traineddata
Please make sure the TESSDATA_PREFIX environment variable is set to your "tessdata" directory.
Failed loading language 'eng'
Tesseract couldn't load any languages!
Could not initialize tesseract.

• 配置环境变量

简单就是说把tessdata拷贝到exe的所在目录，或者设置 TESSDATA_PREFIX 环境变量

（1）设置系统变量 TESSDATA_PREFIX 值为安装路径对应的 data 路径 C:\Program Files (x86)\Tesseract-OCR\tessdata。

（2）设置 exe 路径 C:\Program Files (x86)\Tesseract-OCR 添加到 path

然后重启电脑即可。

• 再次验证

C:\Users\binbin.hou>tesseract D:\code\ocr\src\main\resources\hello.png 1
Tesseract Open Source OCR Engine v4.0.0.20181030 with Leptonica

其中文本信息为：

hello ocr

训练集数据

tessdata 这个文件夹用来放各种语言的训练集合数据。

因为中文下载失败，目前里面只有英文的：

λ ls
configs/         eng.user-patterns  jaxb-api-2.3.1.jar  pdf.ttf                 piccolo2d-extras-3.0.jar  ScrollView.jar
eng.traineddata  eng.user-words     osd.traineddata     piccolo2d-core-3.0.jar  script/                   tessconfigs/

各种语言库的下载地址 tessdata

本节暂时不讨论中文相关的处理。

代码测试

maven 引入

实际原理就是利用 java 指定 cmder 进行调用，为了方便，我们直接引入一个 jar 便于调用。

<dependencies>
    <dependency>
        <groupId>net.sourceforge.tess4j</groupId>
        <artifactId>tess4j</artifactId>
        <version>4.2.1</version>
    </dependency>
</dependencies>

这里的 tess4j 的版本和我们安装的版本是有对应关系的，个人就是因为这个问题排查了半天。

这个 jar 使用的 jdk 为 1.8，请使用 jdk 1.8+ 测试，否则会报错 Unsupported major.minor version 52.0

应该有适合 jdk1.7 的版本，时间有限，后面尝试。

图片

直接以如下图片做测试：

测试代码

package com.github.houbb.ocr;

import net.sourceforge.tess4j.ITesseract;
import net.sourceforge.tess4j.Tesseract;
import net.sourceforge.tess4j.TesseractException;

import java.io.File;

public class Main {

    public static void main(String[] args) throws TesseractException {
        ITesseract instance = new Tesseract();
        // 指定训练数据集合的路径
        instance.setDatapath("C:\\Program Files (x86)\\Tesseract-OCR\\tessdata");

        // 指定识别图片
        File imgDir = new File("D:\\code\\ocr\\src\\main\\resources\\hello.png");
        long startTime = System.currentTimeMillis();
        String ocrResult = instance.doOCR(imgDir);

        // 输出识别结果
        System.out.println("OCR Result: \n" + ocrResult + "\n 耗时：" + (System.currentTimeMillis() - startTime) + "ms");
    }

}

• 结果

OCR Result: 
hello ocr

 耗时：1530ms

Process finished with exit code 0

个人理解这个耗时其实意义不是很大，因为一开始需要加载训练集合文本，所以耗时会较多。

总结

本节使用 java 实现了最基本的文本识别，应用场景还是很多的，等待大家的自己挖掘。

当然默认这里是不支持中文的，下一节将进行中文的实现学习。

拓展阅读

ocr 实现中文识别

参考资料

tesseract-ocr v4.0.0

Java 实现OCR 识别图像文字(手写中文)----tess4j

Java OCR 图像智能字符识别技术[可识别中文]

环境配置

Windows下通过CMD脚本更改环境变量并马上生效

windows系统cmd命令行设置、查看、更改环境变量

Windows下setx命令

错误

Please make sure the TESSDATA_PREFIX environment variable is set to your “tessdata” directory.

解决：actual_tessdata_num_entries_ <= TESSDATA_NUM_ENTRIES:Error:Assert failed:in file …\ccutil\tessdatamanager.cp p, line 50

stackoverflow