Java使用Tess4J实现图像文字识别(java实现图像识别功能)
OCR技术
OCR(Optical Character Recognition),光学字符识别的意思,也被称作文字识别。简单讲就是对图片文件中的文字进行识别和提取的过程。现实生活中使用的场景也非常多,比如文件扫描、车牌号识别、图片内容识别等。图像识别也是人工智能的一个重要领域。
Tess4J
Tesseract是一个开源的OCR引擎,Tess4J则是对Tesseract OCR API的Java JNA封装,使java能够通过调用Tess4J的API来使用Tesseract OCR。Tesseract OCR是支持Tess4J进文件文字识别的基础,Tess4J支持TIFF、JPEG、GIF、PNG、BMP、PDF等格式。Tess4J可直接使用Maven方式引入。
快速体验
环境信息
操作系统:Ubuntu 18.04.6 LTS
JDK:openjdk version "1.8.0_352"
Maven:Apache Maven 3.6.0
1、安装Tesseract
按照官方文档安装Tesseract,Ubuntu系统可以直接通过apt来安装。
sudo apt install tesseract-ocr
sudo apt install libtesseract-dev
2、新建maven工程,引入tess4j依赖。
<dependency>
<groupId>net.sourceforge.tess4j</groupId>
<artifactId>tess4j</artifactId>
<version>5.4.0</version>
</dependency>
3、下载tess4j语言库,下载好后将tessdata文件夹拷贝到maven工程项目代码里,与src目录同级。
4、java调用tess4j实现图像识别,代码如下:
package org.cj.tess4j;
import net.sourceforge.tess4j.ITesseract;
import net.sourceforge.tess4j.Tesseract;
import net.sourceforge.tess4j.TesseractException;
import java.io.File;
public class Demo {
public static void main(String[] args) throws TesseractException {
ITesseract instance = new Tesseract();
//指定语言训练模型数据的目录
instance.setDatapath("tessdata");
//指定语言种类, 中文是chi_sim
instance.setLanguage("chi_sim");
File imageFile = new File("images/tess4j/4ocr-1.png");
long startTime = System.currentTimeMillis();
String result = instance.doOCR(imageFile);
System.out.println("识别结果:\n" + result + "\r\n耗时:\n" + (System.currentTimeMillis() - startTime) + "ms");
}
}
5、运行预览
图片内容
识别结果
注意问题
1、运行的时候提示Unable to load library 'tesseract'
提示这个是因为没有安装tesseract,ubuntu环境执行sudo apt install tesseract-ocr安装。
2、运行的时候提示read_params_file: parameter not found: enable_new_segsearch
这里下载的训练数据包是有问题的,在这重新下载tessdata训练数据包。
使用总结
1、Tesseract最大优势就是开箱即用,且拥有大量的语言训练数据。
2、识别的速度慢、耗时长。
3、识别的精度不是很高,甚至有时候会很低,此时就需要自己按需去训练数据包了。
4、依赖语言训练包,官方提供了三种训练数据包,分别是tessdata_fast、tessdata_best、tessdata,这三个训练数据包的差异如下,具体可到官网查阅,推荐使用tessdata_best数据包。