之所以写下这篇文章,是因为在实践中使用时,发现在识别整张图时,准确率降低。尤其是中文,英文,字符,数字,水印都有的时候。出错率很高。原先一直认为是水印的问题。结果将图片二值化以后,没有水印,识别准确度依旧很低。
偶然的情况,使用局部区域识别,发现,效果很好,准确度大大提高。
然后体用api切换中文,英文识别库,很大程度的提高了准确率。
maven依赖
/nguyenq/tess4j
<dependency><groupId>net.sourceforge.tess4j</groupId><artifactId>tess4j</artifactId><version>4.5.4</version></dependency>
代码示例
代码示例,工程中,必须要有tessdata目录,存放语言库,如eng.traineddata,chi_sim.traineddata等。
public class TesseractExample {public static void main(String[] args) {File imageFile = new File("eurotext.tif");ITesseract instance = new Tesseract(); // JNA Interface Mapping// ITesseract instance = new Tesseract1(); // JNA Direct Mappingtry {String result = instance.doOCR(imageFile);System.out.println(result);} catch (TesseractException e) {System.err.println(e.getMessage());}}}
工程目录结构
设置目录。为什么要这么做呢?因为jar包中已经有个英文库了,所以我们只需要再添加其它需要的库就行,放在classpath下就ok。不需要在外层多一层了。
File imageFile = new File("C:\\random.png");Tesseract instance = Tesseract.getInstance();//In case you don't have your own tessdata, let it also be extracted for you//这样就能使用classpath目录下的训练库了File tessDataFolder = LoadLibs.extractTessResources("tessdata");instance.setLanguage("eng");//英文库识别数字比较准确//Set the tessdata pathinstance.setDatapath(tessDataFolder.getAbsolutePath());try {String result = instance.doOCR(imageFile);System.out.println(result);} catch (TesseractException e) {System.err.println(e.getMessage());}
目录结构
当然也可以使用中文库
instance.setLanguage("chi_sim");//中文库识别中文
也可以只识别图片中的某一部分,实践发现,识别小区域,准确度会变高。
instance.setLanguage("eng");//英文库识别数字比较准确//提取金额Rectangle rectangle = new Rectangle(366, y_Axis, 92, h);String decrease = instance.doOCR(bufferedImage,rectangle).replace(" ",".").replace(",","");
网络图片
String url = "/image_search/src=http%3A%2F%%2Fuploads%2Fnews%2Ffolder_1659049%2Fimages%2Fbe826380357baa44d81250e09036a92e.jpg&refer=http%3A%2F%&app=2002&size=f9999,10000&q=a80&n=0&g=0n&fmt=jpeg?sec=1612690508&t=f12c7c702f72d6113639cd3e937a7718";BufferedImage img = ImageIO.read(new URL(url));String result = instance.doOCR(img);
去掉水印
图片二值化,水印也可以被去掉。
BufferedImage grayImage = ImageHelper.convertImageToBinary(ImageIO.read(imageFile));ImageIO.write(grayImage, "jpg", new File("data/", "test2.jpg"));
tess4j 和tesseract版本对应关系
0.4 (Tesseract 2.04)1.0 (Tesseract 3.02)1.1 (Tesseract 3.02)1.2 (Tesseract 3.02)1.4 (Tesseract 3.02)1.5 (Tesseract 3.02)2.0 (Tesseract 3.03RC)3.0 (Tesseract 3.04)3.3 (Tesseract 3.05)3.4 (Tesseract 3.05.01)4.0 (Tesseract 4.0.0-beta.1)4.1 (Tesseract 4.0.0-beta.3)4.3 (Tesseract 4.0.0)4.4 (Tesseract 4.1.0)安装tesseract
参考 https://tesseract-ocr.github.io/tessdoc/Installation.html
mac
brew install tesseract
For CentOS 8 run the following as root:
dnf config-manager --add-repo /repositories/home:/Alexander_Pozdnyakov/CentOS_8/rpm --import /projects/home:Alexander_Pozdnyakov/public_keydnf install tesseractdnf install tesseract-langpack-deu
参考
/codesample.html/nguyenq/tess4j/issues/9
tessdata来源/tesseract-ocr/tessdata/tree/3.04.00