java使用Tess4J实现OCR图片文字识别

介绍

Tess4J 是 Tesseract OCR 的 java api 实现库，你可以通过 java 调用来轻松的实现图片识别并提取文字，也就是 OCR 图片提取文字技术。

Tess4J 支持识别的的图片格式：

• TIFF、JPEG、GIF、PNG 和 BMP 图像格式
• 多页 TIFF 图像
• PDF文档格式

Tesseract OCR的github官网

Tesseract OCR 使用手册

Tess4J 官网

一、maven如下

        <dependency><groupId>net.sourceforge.tess4j</groupId><artifactId>tess4j</artifactId><version>5.7.0</version></dependency><!-- 解决输出的时候 slf4j 报错 -->   <dependency><groupId>org.slf4j</groupId><artifactId>slf4j-api</artifactId><version>1.8.0-beta4</version></dependency><dependency><groupId>org.slf4j</groupId><artifactId>slf4j-simple</artifactId><version>1.8.0-beta4</version></dependency>

二、下载语言模型

如果因为网络问题，你访问不了 github 或语言模型下载缓慢失败，可以直接看第2步百度云下载。

1.下载语言模型

tesseract 支持一百多种语言识别，你可以从 Traineddata 语言模型说明下载页面 选择自己想要识别的.traineddata 格式的语言模型文件下载。

（1）特殊的模型

• 如果你想识别图片里的各种方向的文字可以下载 osd.traineddata 模型

• 如果你想识别图片里的各种数学公式、方程可以下载 equ.traineddata 模型

（2）语言模型

tesseract 在 GitHub 上的有三个独立的语言模型存储库 tessdata、tessdata-best、tessdata-fast 他们分别都存储了语言模型，他们的区别是：

我测试识别一张多文字图片的时候，tessdata-best 效果最好但花了快10秒，tessdata 花了3秒但效果稍微差一点。你可以根据自己的需要去选择下载语言模型文件，我这里选择的是 tessdata-best 库里下载 chi_sim.traineddata （简体中文）、eng.traineddata （英文模型）。

因为网络问题，如果你访问不了 github 或下载缓慢，可以从我的百度云下载 tessdata 和 tessdata-best，里面包含了所有的语言模型文件，（如果你只需要中英文的模型可以看我第 2 步）：

百度云下载: tessdata-4.1.0.zip 约 635 MB （链接：https://pan.baidu.com/s/1e2UKTpMqnfhpCoq6NquIAQ
提取码：jc9p）

百度云下载: tessdata_best-4.1.0.zip 约1.29 GB （链接：https://pan.baidu.com/s/1dcHpukvaH6Rtma_drfqD9g
提取码：w3gh）

（3）项目的 resources 文件夹下新建 tessdata 文件夹，然后把上面下载的 .traineddata 格式的语言模型文件复制到 tessdata 下。

2.百度云下载

如果因为网络问题，你访问不了 github 或下载缓慢失败，可以从百度云下载我的 tessdata.zip ，里面包含了中英文语言模型 ，解压后把 tessdata 文件夹复制到你的 resources 文件夹下即可：

百度云下载: tessdata.zip 约27MB （链接：https://pan.baidu.com/s/1nXHJ_e4kzOGHbFwh95ijEg
提取码：k1qu）

三、测试

1.测试代码

import net.sourceforge.tess4j.Tesseract;
import net.sourceforge.tess4j.TesseractException;
import java.io.File;
import java.awt.*;public class MainServer {public static void main(String[] args) throws TesseractException {long start = System.currentTimeMillis();System.out.println("开始OCR文字识图，请稍后...");//加载要识别的图片File image = new File("F:\\image\\test1.jpg");//设置配置文件夹微视、识别语言、识别模式Tesseract tesseract = new Tesseract();tesseract.setDatapath("src/main/resources/tessdata");//设置识别语言为中文简体，（如果要设置为英文可改为"eng"）tesseract.setLanguage("chi_sim");//使用 OSD 进行自动页面分割以进行图像处理tesseract.setPageSegMode(1);//设置引擎模式是神经网络LSTM引擎tesseract.setOcrEngineMode(1);//开始识别整张图片中的文字String result = tesseract.doOCR(image);long time = System.currentTimeMillis()-start;System.out.println("识别结束,耗时："+time+" 毫秒，识别结果如下：");System.out.println();System.out.println(result);}
}

上面示例中是识别整张图片中的文字，如果你只想识别图片中特定部分的文字，可以像下面这样选定长宽范围识别：

String result = tesseract.doOCR(image, new Rectangle(300, 200));

2.测试图片

3.效果

参考：

Optical Character Recognition with Tesseract