想学习下识别图片中的文字，找到了Tess4j图文识别的方式，于是就初步探究下，玩下识别验证码。
第一步，下载
1、以3.4.2版本为例，下载Tess4j-3.4.2-src.zip。
2、下载中文字库，chi_sim.traineddata。
下载Tess4j参考：
/projects/tess4j/
字库下载参考：
/tesseract-ocr/tessdata/tree/3.04.00
api文档参考：
/docs/docs-3.4/
第二步，准备工作
1、解压Tess4J-3.4.2-src.zip。
2、把根目录的lib和dist相关jar拷贝到你的项目lib中。
3、再把tessdata目录拷贝到你的项目根目录中。
4、再把中文字库放入tessdata目录。
5、dll不用理，Tess4j.jar已经包含。
6、如果遇到异常，Error: Invalid memory access，Error opening data file ./tessdata/eng.traineddata说明tessdata路径不对。
压缩包目录：
如果是使用maven：
就在pom.xml加入即可。
net.sourceforge.tess4j
tess4j
3.4.2
我的项目test for java结构：
Tess4j依赖jar参考：commons-beanutils-1.9.2.jar
commons-io-2.6.jar
commons-logging-1.2.jar
ghost4j-1.0.1.jar
hamcrest-core-1.3.jar
itext-2.1.7.jar
jai-imageio-core-1.3.1.jar
jboss-vfs-3.2.12.Final.jar
jcl-over-slf4j-1.7.25.jar
jna-4.1.0.jar
jul-to-slf4j-1.7.25.jar
junit-4.12.jar
lept4j-1.6.2.jar
log4j-1.2.17.jar
log4j-over-slf4j-1.7.25.jar
logback-classic-1.2.3.jar
logback-core-1.2.3.jar
slf4j-api-1.7.25.jar
xmlgraphics-commons-1.5.jar
第三步，开发测试
官方简单例子：packagenet.sourceforge.tess4j.example;
importjava.io.File;
importnet.sourceforge.tess4j.*;
publicclassTesseractExample{
publicstaticvoidmain(String[]args){
FileimageFile=newFile("eurotext.tif");
ITesseractinstance=newTesseract();//JNAInterfaceMapping
//ITesseractinstance=newTesseract1();//JNADirectMapping
try{
Stringresult=instance.doOCR(imageFile);
System.out.println(result);
}catch(TesseractExceptione){
System.err.println(e.getMessage());
}
}
}
我的初探例子：packagecom.weizhixi;
importnet.sourceforge.tess4j.ITesseract;
importnet.sourceforge.tess4j.Tesseract;
importnet.sourceforge.tess4j.util.ImageHelper;
importjavax.imageio.ImageIO;
importjava.awt.image.BufferedImage;
importjava.io.File;
publicclassTest{
publicstaticvoidmain(String[]args)throwsException{
testEn();
//testZh();
}
//使用英文字库-识别图片
publicstaticvoidtestEn()throwsException{
FileimageFile=newFile("C:/Users/XQ/Desktop/en.png");
BufferedImageimage=ImageIO.read(imageFile);
//对图片进行处理
image=convertImage(image);
ITesseractinstance=newTesseract();//JNAInterfaceMapping
Stringresult=instance.doOCR(image);//识别
System.out.println(result);
}
//使用中文字库-识别图片
publicstaticvoidtestZh()throwsException{
FileimageFile=newFile("C:/Users/XQ/Desktop/zh.png");
BufferedImageimage=ImageIO.read(imageFile);
//对图片进行处理
//image=convertImage(image);
ITesseractinstance=newTesseract();//JNAInterfaceMapping
instance.setLanguage("chi_sim");//使用中文字库
Stringresult=instance.doOCR(image);//识别
System.out.println(result);
}
//对图片进行处理-提高识别度
publicstaticBufferedImageconvertImage(BufferedImageimage)throwsException{
//按指定宽高创建一个图像副本
//image=ImageHelper.getSubImage(image,0,0,image.getWidth(),image.getHeight());
//图像转换成灰度的简单方法-黑白处理
image=ImageHelper.convertImageToGrayscale(image);
//图像缩放-放大n倍图像
image=ImageHelper.getScaledInstance(image,image.getWidth()*3,image.getHeight()*3);
returnimage;
}
}
处理倾斜图片：
如果图片字体倾斜的，可以用下面代码纠正BufferedImagebi=ImageIO.read(imageFile);
ImageDeskewid=newImageDeskew(bi);
doubleimageSkewAngle=id.getSkewAngle();//获取倾斜角度
if((imageSkewAngle>0.05d||imageSkewAngle
bi=ImageHelper.rotateImage(bi,-imageSkewAngle);//纠偏图像
}
测试1：
测试一张英文截图en.png。
未使用图像简单处理，运行读取图片文字：
发现有几次无法准确识别。
使用convertImage方法对图像简单处理，运行读取图片文字：
发现已经完全识别了。
测试2：
测试一张中文图片zh.png
用不用convertImage，测试结果都正常：
测试3：
来点复杂的图片：
来看看识别输出：
1、未使用图像处理
2、使用图像处理
发现识别度提高了很多，但部分还是未能够识别。
测试4：
识别干扰度比较低的简单验证码
识别结果：已经正确识别了。
经测试多张各种验证码，干扰度比较大的，扭曲字体的验证码不能识别。
关于训字库
训字库能提高中文字库的识别度。
需要下载中文字库：chi_sim.traindata
需要下载tesseract-ocr安装：tesseract-ocr-setup.exe
需要下载jTessBoxEditor用于修改box文件
至于怎么训字库，这里不展开说了。
初探总结
初探了一天，发现初级简单应用Tess4j：
1、只能识别几乎没有干扰，比较清晰的图片。
2、对图片灰度处理和放大处理，能提高识别度，但不是一定能起作用。
3、如果不准确的识别，可能要去训字库了，如测试识别图中的逗号，已经变成偏上的点了。
4、识别度受字体颜色、大小、清晰度、干扰度、扭曲、倾斜等度影响。
5、官方还提供了一些test例子，还有很多操作和应用。
初级应用只是简单的识别，能识别复杂度很大的图片文字，那是要很多牛B技术和逻辑的大神级操作。
如果想识别度很高很高几乎所有都能识别，又要快速集成、建议还是调用第三方识别API了，有些要收费的有些不用收费但有调用频次限制。
Demo下载
由于资源太大，我就不上传到我网站了。
请到我的网盘下载：
链接：/s/1dHje9pR
密码：z0bi
内含：
1、项目：基于maven_test4j例子项目.zip
2、官方Tess4j：Tess4J-3.4.2-src.zip
3、中文训字库：chi_sim.traineddata
原创文章，转载请注明出处：/article/59.html
