一.简介
Tesseract是一个开源的文本识别【OCR】引擎,可通过Apache 2.0许可获得。它可以直接使用,或者使用API从图像中提取打印的文本,支持多种语言。该软件包包含一个ORC引擎【libtesseract】和一个命令行程序【tesseract】。Tesseract4添加了一个新的基于LSTM的OCR引擎,该引擎专注于行识别,但仍支持Tesseract 3的传统Tesseract OCR引擎,该引擎通过识别字符模式进行工作。通过使用传统OCR引擎模式【--oem 0】,可以与Tesseract 3兼容。它还需要训练好的数据文件对旧引擎进行支持,例如tessdata目录下的数据文件。
特点:
1.具有Unicode【UTF-8】支持,并且可以“开箱即用”地识别100多种语言。
2.支持各种输出格式,纯文本,hOCR【HTML】,PDF,仅不可见文本的PDF,TSV。Master分支还对ALTO【XML】输出提供实验性支持。
3.在许多情况下,要想获得更好的OCR结果,需要提高提供给Tesseract的图像的质量。
二.在python环境中安装pytesseract
安装成功!
三.在Windows系统下安装Tesseract
配置环境变量:
备注:最新的为4.1.0,建议安装4.x版本,根据一可知,版本4有重大升级,系统性能显著提升,特别是在对中文的识别上更是明显!
四.python代码实现
1 #-*- coding: utf-8 -*-
2 """
3 Spyder Editor4
5 This is a temporary script file.6 """
7
8 importpytesseract9 from PIL importImage10
11 #打开验证码图片
12 image = Image.open('E:\\testData\\tess\\1.png')13 #加载一下图片防止报错,此处可以省略
14 #image.load()
15 #调用show来展示图片,调试用此处可以省略
16 #image.show()
17 text = pytesseract.image_to_string(image,lang='chi_sim')18 print(text)
五.Python环境执行结果【无数据清洗】
20a
志
口
吴
吊5达
吊
园
康 阮 随 阮 随 随 阮 隆 随 阮 阮 庞
应 阮 院 阮 阮 际 阮 阮 院 院 阮 庞
宇
B
B
B
B
B
B
B
B
B
B
E
胡
胡
胡
胡
胡
胡
胡
胡
胡
胡
脱 医
剧 澈 剖 剖 亨 亨 定 亨 宣 河
宇
B
B
B
B
E
E
E
E
E
E
振
产 莲
主
主
主
主
主
主
主
主
主
主
生 交
E
E
E
E
E
E
E
E
E
E
E35653
职
职
职
职
职
职
职
职
职
职
E
E
E
E
E
E
E
E
E
E
E
093
View Code
部分示例:
可知对中文的识别一塌糊涂,因此建议还是使用版本4进行识别!
六.使用Java程序调用ImageIO进行数据预处理
1 packagezhen;2 importjava.awt.Color;3 importjava.awt.image.BufferedImage;4 importjava.io.File;5 importjava.io.FileInputStream;6 importjava.io.IOException;7
8 importjavax.imageio.ImageIO;9
10
11 public classLineMark{12 public static void clean(String fromPath,String toPath) throwsIOException{13 File file1 = newFile(fromPath);14 BufferedImage image =ImageIO.read(file1);15
16 BufferedImage sourceImg =ImageIO.read(new FileInputStream(file1)); //获取图片的长宽
17 int width =sourceImg.getWidth();18 int height =sourceImg.getHeight();19
20 /**
21 * 创建3维数组用于保存图片rgb数据22 */
23 int[][][] array = new int[width][height][3];24 for(int i=0;i
25 for(int j=0;j
27 int red = (pixel & 0xff0000) >> 16;28 int green = (pixel & 0xff00) >> 8;29 int blue = (pixel & 0xff); //通过坐标(i,j)的像素值获得r,g,b的值
30 array[i][j][0] =red;31 array[i][j][1] =green;32 array[i][j][2] =blue;33 }34 }35
36 /**
37 * 清除表格线:38 * 竖线:绝大多数点的x值都为25539 */
40 for(int i=0;i height * 0.8){48 for(int n=0;n
56 * 清除表格线:57 * 横线:绝大多数点的y值都为25558 */
59 for(int j=0;j height * 0.8){67 for(int n=0;n
75 * 大点76 */
77 for(int i=0;i
87 /**
88 * 测试89 *@paramargs90 */
91 public static voidmain(String[] args){92 String fromPath = "E:\\testData\\tess\\111.png";93 String toPath = "E:\\testData\\tess\\112.png";94 try{95 LineMark.clean(fromPath,toPath);96 } catch(IOException e) {97 e.printStackTrace();98 }99 }100 }
七.执行结果
处理之前:
处理之后:
八.使用Tesseract 4 API进行文字识别
1 packagezhen;2 importjava.awt.Rectangle;3 importjava.awt.image.BufferedImage;4 importjava.io.File;5 importjava.io.FileInputStream;6 importjava.io.FileOutputStream;7 importjava.io.IOException;8 importjavax.imageio.ImageIO;9 import net.sourceforge.tess4j.*;10 import org.apache.poi.xssf.usermodel.*;11
12 public classRP {13 private String a0="";14
15 public void toExcel(int i,XSSFWorkbook wb,XSSFSheet sheet,int len) //将文字信息做成表格
16 {17 for(int j=0;j
19 for(int k=0;k
21 String[] array2 = array[k].split(" ");22 for(int m=0;m
32 File root = new File("E:\\testData\\tess2");//存放处理后的图片,imgs文件夹
33 File res = new File("E:\\testData\\tess");//源图片位置,res文件夹下
34
35 ITesseract instance = newTesseract();36 instance.setLanguage("chi_sim"); //使用训练好中文字库识别
37
38 XSSFWorkbook wb = newXSSFWorkbook();39 XSSFSheet sheet = wb.createSheet("信息汇总");40 try{41 File[] ress =res.listFiles();42 int i=0;43 for(File file : ress){44 i++;45 LineMark.clean(file.getAbsolutePath(),"E:\\testData\\tess2\\"+i+".png");46 } //去除源图片表格线,处理后的图片放到img文件夹
47
48 File[] files =root.listFiles();49 for (File file : files) { //对去除水印后的图片逐个处理
50 BufferedImage sourceImg =ImageIO.read(new FileInputStream(file)); //获取图片的长宽
51 int width =sourceImg.getWidth();52 int height =sourceImg.getHeight();53 Rectangle ret = new Rectangle(0,0,width,height); //识别全部数据
54
55 String result = instance.doOCR(file, ret); //开始采用doOCR(file)效率很低,因为图片内容太多
56 int len = 0;57 if(result != null){58 len = result.split(" ").length;59 rp.a0 =result;60 }61 System.out.print(result);62 rp.toExcel(num,wb,sheet,len); //调用toExcel函数,将提取到的信息写入
63 num++;64 }65 } catch(TesseractException e) {66 System.err.println(e.getMessage());67 }68
69 try{70 FileOutputStream fout = new FileOutputStream("D:\\software\\company.xlsx");71 wb.write(fout);72 fout.close();73 } catch(IOException e) {74 e.printStackTrace();75 } //把写好信息的表输出
76 }77
78 }
九.不数据清洗执行结果
十.数据清洗执行结果
经过对比可以明显看出,表格线对识别的影响很大【其它形式的干扰也同样如此,例如:验证码上的干扰线、图案等】,因此,数据清洗必不可少!
十一.分析
从上面的执行结果可知,在使用Tesseract 4时,在数据尽可能的清晰的情况下,大部分汉字还是能识别出来的,只是在【数字0】和【标点符号。】,【英语g】和【数字9】等外形相识的地方识别不清楚!当然,模型还有提升的空间,下一步将提升对存在格式倾斜或拍照的图片进行识别的能力!