图像文字识别（四）：java调用tess4j识别图像文字

全栈程序员-用户IM • 2021年4月9日下午5:05 • 未分类

Tesseract-OCR支持中文识别，并且开源和提供全套的训练工具，是快速低成本开发的首选。前面记录过在java中调用tesseract-orc，该方法的原理是通过在java中调用cmd命令行，来执行tesseract，但是该方式需要下载软件，在电脑上安装环境，移植性不高。

而Tess4J则是Tesseract在Java PC上的应用。如果使用Tess4J只需要下载相关Jar包，导入项目，再把项目封装好就可以处处运行了，可移植性比较好。Tess4J在英文和数字识别中性能比较好，但是在中文识别中，无论速度还是识别率还是较弱，因此需要针对场景进行训练，才能获得较好结果。

这篇博客简单记录一下在java中通过调用tess4j的方式识别图片的文字内容。

步骤：

（1）下载tess4j源码包：https://sourceforge.net/projects/tess4j/

tessdata下默认为英语库，中文库下载地址：https://github.com/tesseract-ocr/tessdata/blob/master/chi_sim.traineddata

其他库的下载地址：https://github.com/tesseract-ocr/tessdata

下载完的tess4j资源包目录如下：

图像文字识别（四）：java调用tess4j识别图像文字

（2）新建一个java工程：

使用Build Path -> configure build path导入dist目录下的tess4j.jar 和 lib目录下的所有jar包，如下图：

图像文字识别（四）：java调用tess4j识别图像文字

如果是maven工程则导入以下maven依赖。

 <dependency>
     <groupId>net.sourceforge.tess4j</groupId>
     <artifactId>tess4j</artifactId>
     <version>3.2.1</version>
 </dependency>

（3）把tessdata文件夹复制到项目的根目录下（与src目录同级），如下图：

如果tessdata目录没有配置到根目录下，就需要在代码中指定datePath。

图像文字识别（四）：java调用tess4j识别图像文字

（4）编写测试类：

import java.io.File;
import net.sourceforge.tess4j.ITesseract;
import net.sourceforge.tess4j.Tesseract;
import net.sourceforge.tess4j.TesseractException;

/** 
* 类说明 ： tess4j测试类
*/
public class OCRDemo {
   public static void main(String[] args) throws TesseractException {
	   
        ITesseract instance = new Tesseract();
        //如果未将tessdata放在根目录下需要指定绝对路径
        //instance.setDatapath("the absolute path of tessdata");
        
        //如果需要识别英文之外的语种，需要指定识别语种，并且需要将对应的语言包放进项目中
        instance.setLanguage("chi_sim");
        
        // 指定识别图片
        File imgDir = new File("C://Users//1_20180208150251_x4hzz//1.png");
        long startTime = System.currentTimeMillis();
        String ocrResult = instance.doOCR(imgDir);
        
        // 输出识别结果
        System.out.println("OCR Result: \n" + ocrResult + "\n 耗时：" + (System.currentTimeMillis() - startTime) + "ms");
    }
}

（5）图片素材与识别结果：

图像文字识别（四）：java调用tess4j识别图像文字