tesseract-ocr+java实现图片文字识别
Posted luffy5459
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了tesseract-ocr+java实现图片文字识别相关的知识,希望对你有一定的参考价值。
ocr是Optical Character Recognition的简写,就是光学字符识别技术。主要是对包含文本资料的图片进行识别,获取文本信息的技术。
目前tesseract-ocr这个工具可以很方便的在Windows、Linux、Mac下安装。
windows下的安装链接:https://digi.bib.uni-mannheim.de/tesseract/tesseract-ocr-w64-setup-v5.0.1.20220118.exe
这个工具安装之后,需要设置环境变量TESSDATA_PREFIX,这个变量是设置tesseract安装目录下tessdata的目录位置。
为了在命令行下使用tesseract可执行程序,最好把tesseract-ocr安装路径加入Path环境变量中。
这样,我们在命令行下就可以使用tesseract命令了,如下是检验tesseract安装是否正确:
我们可以使用一个带字符的图片做验证:
该图片就是hello.png,上面有“hello.tesseract”字样。
命令行下,通过tesseract images\\hello.png hello,可以把images目录下的hello.png图片识别,提取的文字保存在hello.txt文件中。
/
以上是通过tesseract-ocr工具直接提取图片中的字符,下面通过程序来提取,这里以java程序为例,加入net.sourceforge.tess4j依赖。
<dependency>
<groupId>net.sourceforge.tess4j</groupId>
<artifactId>tess4j</artifactId>
<version>4.6.0</version>
</dependency>
Java代码也是极其简单:
package ocr;
import net.sourceforge.tess4j.Tesseract;
import net.sourceforge.tess4j.TesseractException;
import java.io.File;
public class TestOCR
public static void main(String[] args)
Tesseract instance = new Tesseract();
//instance.setDatapath("D:\\\\Program Files\\\\Tesseract-OCR\\\\tessdata");
File imageFile = new File("D:\\\\yofc\\\\python\\\\images\\\\hello.png");
try
String result = instance.doOCR(imageFile);
System.out.println(result);
catch (TesseractException e)
e.printStackTrace();
运行程序,打印信息如下:
这段代码,就是新建了一个Tesseract实例,然后就开始识别图片文件,仅仅四行代码就完成了识别和打印识别结果在内的功能。其实有的地方提到需要设置训练文件位置,如果我们前面的安装设置了TESSDATA_PREFIX,这里就不用设置了,本例就注释了这行代码:
instance.setDatapath("D:\\\\Program Files\\\\Tesseract-OCR\\\\tessdata");
同样可以运行成功,因为在Tesseract实例化的时候,会读取系统变量TESSDATA_PREFIX的值,并进行设置:
public Tesseract()
try
this.datapath = System.getenv("TESSDATA_PREFIX");
catch (Exception var5)
finally
if (this.datapath == null)
this.datapath = "./";
至此,OCR示例就已经说完了,对于java开发而言,代码极其简单。有的地方,采用执行命令的方式,通过模拟命令行调用tesseract识别图片,其实没必要,那种代码如果移植,又需要设置linux环境下的安装路劲,非常麻烦。
以上是关于tesseract-ocr+java实现图片文字识别的主要内容,如果未能解决你的问题,请参考以下文章