如何通过Tesseract开源OCR引擎创建Android OCR应用

Posted 2023-04-02

参考技术A 　　Tesseract是遵守 Apache License 2.0协议的开源OCR引擎。这里介绍下如何在android平台编译Tesseract，以及如何快速创建一个简单的OCR应用。

要编译Android平台的Tesseract，需要使用Google提供的tesseract-android-tools。

代码获取方式：

git clone https://code.google.com/p/tesseract-android-tools/

打开README，在命令行工具中执行下面的步骤：

cd <project-directory>
curl -O https://tesseract-ocr.googlecode.com/files/tesseract-ocr-3.02.02.tar.gz
curl -O http://leptonica.googlecode.com/files/leptonica-1.69.tar.gz
tar -zxvf tesseract-ocr-3.02.02.tar.gz
tar -zxvf leptonica-1.69.tar.gz
rm -f tesseract-ocr-3.02.02.tar.gz
rm -f leptonica-1.69.tar.gz
mv tesseract-3.02.02 jni/com_googlecode_tesseract_android/src
mv leptonica-1.69 jni/com_googlecode_leptonica_android/src
ndk-build -j8
android update project --target 1 --path .
ant debug (release)

注意：如果你在使用NDK r9，编译的时候会出现错误：

format not a string literal and no format arguments [-Werror=format-security]

解决的方法就是在Application.mk中加入一行：

APP_CFLAGS += -Wno-error=format-security

编译之后会生成class.jar和一些*.so。

Android OCR Application
创建一个Android应用，把生成的jar和so导入进来。
创建TessOCR：

public class TessOCR
private TessBaseAPI mTess;

public TessOCR()
// TODO Auto-generated constructor stub
mTess = new TessBaseAPI();
String datapath = Environment.getExternalStorageDirectory() + "/tesseract/";
String language = "eng";
File dir = new File(datapath + "tessdata/");
if (!dir.exists())
dir.mkdirs();
mTess.init(datapath, language);


public String getOCRResult(Bitmap bitmap)

mTess.setImage(bitmap);
String result = mTess.getUTF8Text();

return result;


public void onDestroy()
if (mTess != null)
mTess.end();




构造函数中需要在存储卡上创建一个目录tessdata，如果不创建程序运行就会出错。因为源码中会检测这个目录，不存在就抛出异常：

public boolean init(String datapath, String language)
if (datapath == null)
throw new IllegalArgumentException("Data path must not be null!");

if (!datapath.endsWith(File.separator))
datapath += File.separator;


File tessdata = new File(datapath + "tessdata");
if (!tessdata.exists() || !tessdata.isDirectory())
throw new IllegalArgumentException("Data path must contain subfolder tessdata!");


return nativeInit(datapath, language);


就这么简单。现在通过三种方式获取图片做OCR：

在图库中选取一张图，选择发送或者分享，选择OCR应用

在AndroidManifest.xml中加入IntentFilter，让OCR应用出现在图库的分享列表中：

<intent-filter>
<action android:name="android.intent.action.SEND" />

<category android:name="android.intent.category.DEFAULT" />
<data android:mimeType="text/plain" />
<data android:mimeType="image/*" />
</intent-filter>

获得URI之后，对URI解码，获取bitmap：

if (Intent.ACTION_SEND.equals(intent.getAction()))
Uri uri = (Uri) intent.getParcelableExtra(Intent.EXTRA_STREAM);
uriOCR(uri);

private void uriOCR(Uri uri)
if (uri != null)
InputStream is = null;
try
is = getContentResolver().openInputStream(uri);
Bitmap bitmap = BitmapFactory.decodeStream(is);
mImage.setImageBitmap(bitmap);
doOCR(bitmap);
catch (FileNotFoundException e)
// TODO Auto-generated catch block
e.printStackTrace();
finally
if (is != null)
try
is.close();
catch (IOException e)
// TODO Auto-generated catch block
e.printStackTrace();






启动OCR应用，从图库中选择一张图做OCR

发送Intent调用图库，在onActivityResult中获取返回的URI做OCR：

Intent intent = new Intent(Intent.ACTION_PICK, android.provider.MediaStore.Images.Media.EXTERNAL_CONTENT_URI);
startActivityForResult(intent, REQUEST_PICK_PHOTO);

启动OCR应用，拍照之后做OCR
为了获取高质量的图片，在Intent中加入图片路径。返回之后就可以直接使用这个图片路径解码：

private void dispatchTakePictureIntent()
Intent takePictureIntent = new Intent(MediaStore.ACTION_IMAGE_CAPTURE);
// Ensure that there's a camera activity to handle the intent
if (takePictureIntent.resolveActivity(getPackageManager()) != null)
// Create the File where the photo should go
File photoFile = null;
try
photoFile = createImageFile();
catch (IOException ex)
// Error occurred while creating the File


// Continue only if the File was successfully created
if (photoFile != null)
takePictureIntent.putExtra(MediaStore.EXTRA_OUTPUT,
Uri.fromFile(photoFile));
startActivityForResult(takePictureIntent, REQUEST_TAKE_PHOTO);




最后不要忘记下载语言包，并push到存储卡的tessdata目录下。本回答被提问者和网友采纳

通过Tesseract实现简单的OCR

Tesseract 简介

　　Tesseract 的 OCR 引擎最先由 HP 实验室于 1985 年开始研发，至 1995 年时已经成为 OCR 业内最准确的三款识别引擎之一。然而，HP 不久便决定放弃 OCR 业务，Tesseract 也从此尘封。

　　数年以后，HP 意识到，与其将 Tesseract 束之高阁，不如贡献给开源软件业，让其重焕新生。2005 年，Tesseract 由美国内华达州信息技术研究所获得，并求诸于 Google 对 Tesseract 进行改进、消除 Bug、优化工作。

　　目前 Tesseract 作为开源项目发布在 GitHub，其项目主页在这里查看，目前的新版本已经支持包括中文在内的超过 60 种语言的 OCR。

安装 Tesseract

注：因为众所周知的原因，Google 的相关网址需要FQ访问。

1. Windows
   • 访问下载页面，名称为 tesseract-ocr-setup-3.XX.exe 就是 Tesseract 安装程序，下载并安装。
   • 下载需要的语言包，例如简体中文就是 tesseract-ocr-3.02.chi_sim.tar.gz ，将解压出的chi_sim.trainedata文件复制到tessdata目录下。程序运行必须包含英语语言包，若tessdata目录下没有eng.trainedata文件，请自行下载英语语言包。
2. Linux
   • 现在很多 Linux 软件仓库都已经包含 Tesseract 了，包名一般叫做 tesseract 或者 tesseract-ocr，搜索软件仓库并安装。
   • 访问下载页面，下载需要的语言包，例如简体中文就是 tesseract-ocr-XXX.chi_sim.tar.gz，将解压出的文件chi_sim.trainedata复制到tessdata目录下(一般为 /usr/share/tesseract-ocr/tessdata or /usr/share/tessdata)。程序运行必须包含英语语言包，若tessdata目录下没有eng.trainedata文件，请自行下载英语语言包。
3. Mac OS X
   • 下载并安装 MacPorts。
   • 使用命令sudo port install tesseract安装 tesseract。
   • 使用命令sudo port install tesseract-<langcode>安装语言包，各语言的 langcode 可以访问 MacPorts tesseract page 查看。
   • 当然也可以通过 Homebrew 安装tesseract：brew install tesseract。

使用 Tesseract

Tesseract 是一个命令行程序，命令格式为：

tesseract imagename outputbase [-l lang] [-psm pagesegmode] [configfile...]

 

参数说明

　　imagename 就是要识别的图片文件的名称，outputbase 就是识别结果输出文件的名称。

　　lang 就是要识别的语言代码，例如英语为 eng、简体中文为 chi_sim 等等。可以同时识别多种语言，使用 “+” 相连，例如eng+chi_sim。缺省时识别英语。

　　pagesegmode 为识别的具体模式，具体包含以下模式：

• 0 = Orientation and script detection (OSD) only.
• 1 = Automatic page segmentation with OSD.
• 2 = Automatic page segmentation, but no OSD, or OCR
• 3 = Fully automatic page segmentation, but no OSD. (Default)
• 4 = Assume a single column of text of variable sizes.
• 5 = Assume a single uniform block of vertically aligned text.
• 6 = Assume a single uniform block of text.
• 7 = Treat the image as a single text line.
• 8 = Treat the image as a single word.
• 9 = Treat the image as a single word in a circle.
• 10 = Treat the image as a single character.

如果想要简单地识别一张名为 test.png 的图片并将结果保存至 out.txt 中：

tesseract test.png out

或者采用简体中文语言包识别

tesseract test.png out -l chi_sim

 

 

我尝试使用 Tesseract 识别下面这张图片：

使用 Tesseract 识别：

识别结果：

由此可见 Tesseract 对中文的识别很糟糕，毕竟它本来只是用来识别英语的，所以其他文字的识别率都比较差，特别是像汉字这种象形文字，必须要通过手动训练才能使用。可以参考另一篇文章《Tesseract训练》。

 

转载自http://xiaosheng.me/2015/12/18/article10/