Tesseract

发表于 | 分类于

OCR调研

OCR技术简介

​ 光学字符识别（Optical Character Recognition, OCR）是指对文本资料的图像文件进行分析识别处理，获取文字及版面信息的过程。

Tesseract简介

​ Tesseract是惠普布里斯托实验室在1985到1995年间开发的一一个开源的OCR引擎，曾经在1995 UNLV精确度测试中名列前茅。但1996年后基本停止了开发。2005年，惠普将其对外开源，2006 由Google对Tesseract进行改进、消除Bug、优化工作。目前项目地址为: https://github.com/tesseract-ocr/tesseract。

它与Leptonica图片处理库结合，可以读取各种格式的图像并将它们转化成超过60种语言的文本，我们还可以不断训练自己的库，使图像转换文本的能力不断增强。

Tess4j简介

Description:

A Java JNA wrapper for Tesseract OCR API.

Tess4J is released and distributed under the Apache License, v2.0 and is also available from Maven Central Repository.

上面摘自Tess4j的官网描述，Tess4j即对Tesseract OCR API的封装Java库。这也是目前当时采用Tesseract的想法，可以本地直接调用，而不需使用第三方云服务。

对Tess4j准确性进行验证

  1. 安装tesseract环境

1
2
//这里建议更新为国内源 或者为git配置github代理
brew install tesseract

  1. 创立maven项目

    导入关键依赖

    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    <dependency>
    	<groupId>net.java.dev.jna</groupId>
    	<artifactId>jna</artifactId>
    	<version>4.1.0</version>
    </dependency>
    <dependency>
    	<groupId>net.sourceforge.tess4j</groupId>
    	<artifactId>tess4j</artifactId>
    	<version>3.4.0</version>
    	<exclusions>
    		<exclusion>
    			<groupId>com.sun.jna</groupId>
    			<artifactId>jna</artifactId>
    		</exclusion>
    	</exclusions>
    </dependency>

  1. 进行测试 

    1
    2
    3
    4
    5
    6
    7
    8
    //核心代码就以下几句 比较简单 
    //把文件路径赋值 然后准备好中文训练数据即可       
        File imageFile = new File(this.testResourcesDataPath,"card.jpg");
        //set language
        instance.setDatapath(testResourcesLanguagePath);
        instance.setLanguage("chi_sim");
        String result = instance.doOCR(imageFile);
        logger.info(result);

测试结果表明，简单的白底黑字图片是可以较为准确的识别，但是对于复杂点的情况，比如证件之类，会出现较为严重的乱码情况。

Tess4j调研结论

​ 经过上述流程，可以知道tess4j只不过就是个api调用，底层实现的核心在于tesseract，而对于tesseract的识别准确度，就又在于计算机不断识别加上人工干预矫正后训练的数据集。