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 import pytesseract9 from PIL import Image10 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BBBBBBBBBBE胡胡胡胡胡胡胡胡胡胡脱 医剧 澈 剖 剖 亨 亨 定 亨 宣 河宇BBBBEEEEEE振产 莲主主主主主主主主主主生 交EEEEEEEEEEE35653职职职职职职职职职职EEEEEEEEEEE093View 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 package zhen;2 import java.awt.Color;3 import java.awt.image.BufferedImage;4 import java.io.File;5 import java.io.FileInputStream;6 import java.io.IOException;7 8 import javax.imageio.ImageIO;9 10 11 public class LineMark{12public static void clean(String fromPath,String toPath) throws IOException{13 File file1 = new File(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<width;i++){ // 获取图片中所有像素点的rgb25 for(int j=0;j<height;j++){26 int pixel = image.getRGB(i, j); //获得坐标(i,j)的像素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<width;i++){41 int nums = 0;42 for(int j=0;j<height;j++){43 if(array[i][j][0]<128 && array[i][j][1]<128 && array[i][j][2]<128){44 nums += 1;45 }46 }47 if(nums > height * 0.8){48 for(int n=0;n<height;n++){49 array[i][n][0] = 255;50 array[i][n][1] = 255;51 array[i][n][2] = 255;52 }53 }54 }55 /**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;j++){60 int nums = 0;61 for(int i=0;i<width;i++){62 if(array[i][j][0]<128 && array[i][j][1]<128 && array[i][j][2]<128){63 nums += 1;64 }65 }66 if(nums > height * 0.8){67 for(int n=0;n<width;n++){68 array[n][j][0] = 255;69 array[n][j][1] = 255;70 array[n][j][2] = 255;71 }72 }73 }74 /**75* 大点76*/77 for(int i=0;i<width;i++){78 for(int j=0;j<height;j++){79 int cover = new Color(array[i][j][0],array[i][j][1],array[i][j][2]).getRGB();80 image.setRGB(i,j,cover);81 }82 }83 File file2 = new File(toPath);84 ImageIO.write(image, "png", file2);85}8687/**88* 测试89* @param args90*/91public static void main(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 package zhen;2 import java.awt.Rectangle;3 import java.awt.image.BufferedImage;4 import java.io.File;5 import java.io.FileInputStream;6 import java.io.FileOutputStream;7 import java.io.IOException;8 import javax.imageio.ImageIO;9 import net.sourceforge.tess4j.*;10 import org.apache.poi.xssf.usermodel.*;11 12 public class RP {13private 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<len;j++){18 String[] array = this.a0.split("\n"); // 分行19 for(int k=0;k<array.length;k++){20 XSSFRow row = sheet.createRow(k); // 创建一行21 String[] array2 = array[k].split(" ");22 for(int m=0;m<array2.length;m++){23row.createCell(m).setCellValue(array2[m]);24 }25 } 26 }27 }28public static void main(String[] args) throws IOException {29 RP rp = new RP();30 int num = 1;31 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 = new Tesseract();36 instance.setLanguage("chi_sim"); //使用训练好中文字库识别37 38 XSSFWorkbook wb = new XSSFWorkbook();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4748 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 69try { 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}7778 }
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！
