Tesseract Ocr 引擎識别圖形驗證碼

版權聲明：本文為部落客原創文章，未經部落客允許不得轉載。 https://blog.csdn.net/catoop/article/details/52438892

1、Tesseract介紹

tesseract 是一個google支援的開源ocr項目，其項目位址：https://github.com/tesseract-ocr/tesseract，目前最新的源碼可以在這裡下載下傳。

實際使用tesseract ocr也有兩種方式：1- 動态庫方式 libtesseract  2  - 執行程式方式 tesseract.exe

2、Tesseract安裝包下載下傳

Tesseract的release版本下載下傳位址：https://github.com/tesseract-ocr/tesseract/wiki/Downloads

Currently, there is no official Windows installer for newer versions.

意思就是官方不提供最新版windows平台安裝包，隻有相對略老的3.02.02版本，其下載下傳位址：https://sourceforge.net/projects/tesseract-ocr-alt/files/。

最新版3.03和3.05版本，都是三方維護和管理的安裝包，有好幾個發行機構，分别是：

3rd party Windows exe's/installer

binaries compiled by @egorpugin (ref issue # 209)https://www.dropbox.com/s/8t54mz39i58qslh/tesseract-3.05.00dev-win32-vc19.zip?dl=1 

You have to install VC2015 x86 redist from microsoft.com in order to run them. Leptonica is built with all libs except for libjp2k. 

https://github.com/UB-Mannheim/tesseract/wiki http://domasofan.spdns.eu/tesseract/

3、Tesseract ocr 的使用

安裝之後，預設目錄C:\Program Files (x86)\Tesseract-OCR，你需要把這個路徑放到你作業系統的path搜尋路徑中，這樣用起來比較友善。

在安裝目錄C:\Program Files (x86)\Tesseract-OCR下可以看到 tesseract.exe這個指令行執行程式。

注：安裝後的目錄，你可以打包成壓縮包拷貝到别的地方或别的電腦直接解壓使用。

tesseract文法如下：

例如：tesseract 1.png output -l eng -psm 7 ，表示采取單行文本方式，使用英語字庫識别1.png這個圖檔檔案，識别結果輸出到目前目錄output.txt檔案中。其中 -psm 7 表示用單行文本識别，-l eng 表示使用英語語言。是以預設選項直接使用 “tesseract 1.png output” 即可。

4、Tesseract ocr 的 Java 工具類

package com.shanhy.unifiedintegral.common.ocr;

import java.io.BufferedReader;
import java.io.File;
import java.io.FileInputStream;
import java.io.InputStreamReader;
import java.util.ArrayList;
import java.util.List;

import org.jdesktop.swingx.util.OS;
import org.springframework.beans.factory.annotation.Value;
import org.springframework.stereotype.Component;

/**
 * 圖形驗證碼識别
 *
 * @author   單紅宇(365384722)
 * @myblog  http://blog.csdn.net/catoop/
 * @create    2016年9月2日
 */
@Component
public class OCRHelper {
	
	private final String LANG_OPTION = "-l";
	private final String EOL = System.getProperty("line.separator");
	/**
	 * tesseract安裝目錄
	 */
	@Value("${tesseractDirPath:C://Program Files (x86)//Tesseract-OCR}")//預設值C://Program Files (x86)//Tesseract-OCR
	private String tessPath;

	/**
	 * @param imageFile
	 *            傳入的圖像檔案
	 * @param imageFormat
	 *            傳入的圖像格式
	 * @return 識别後的字元串
	 */
	public String recognizeText(File imageFile) throws Exception {
		/**
		 * 設定輸出檔案的儲存的檔案目錄
		 */
		File outputFile = new File(imageFile.getParentFile(), "output");

		StringBuffer strB = new StringBuffer();
		List<String> cmd = new ArrayList<String>();
		if (OS.isWindowsXP()) {
			cmd.add(tessPath + "\\tesseract");
		} else if (OS.isLinux()) {
			cmd.add("tesseract");
		} else {
			cmd.add(tessPath + "\\tesseract");
		}
		cmd.add("");
		cmd.add(outputFile.getName());
		cmd.add(LANG_OPTION);
		// 設定語言參數
		// cmd.add("chi_sim");// 中文簡體（需要額外安裝）
		cmd.add("eng");// 英文（安裝預設自帶）

		ProcessBuilder pb = new ProcessBuilder();
		/**
		 * Sets this process builder's working directory.
		 */
		pb.directory(imageFile.getParentFile());
		cmd.set(1, imageFile.getName());
		pb.command(cmd);
		pb.redirectErrorStream(true);
		Process process = pb.start();
		// tesseract.exe 1.jpg 1 -l chi_sim
		// Runtime.getRuntime().exec("tesseract.exe 1.jpg 1 -l chi_sim");
		/**
		 * the exit value of the process. By convention, 0 indicates normal
		 * termination.
		 */
		// System.out.println(cmd.toString());
		int w = process.waitFor();
		if (w == 0)// 0代表正常退出
		{
			BufferedReader in = new BufferedReader(
					new InputStreamReader(new FileInputStream(outputFile.getAbsolutePath() + ".txt"), "UTF-8"));
			String str;

			while ((str = in.readLine()) != null) {
				strB.append(str).append(EOL);
			}
			in.close();
		} else {
			String msg;
			switch (w) {
			case 1:// 大部分是權限問題，目前運作的java執行權限不夠
				msg = "Errors accessing files. There may be spaces in your image's filename.";
				break;
			case 29:
				msg = "Cannot recognize the image or its selected region.";
				break;
			case 31:
				msg = "Unsupported image format.";
				break;
			default:
				msg = "Errors occurred.";
			}
			throw new RuntimeException(msg);
		}
		new File(outputFile.getAbsolutePath() + ".txt").delete();
		return strB.toString().replaceAll("\\s*", "");
	}
	
	public void setTessPath(String path){
		this.tessPath = path;
	}

//	public static void main(String[] args) {
//		try {
//			OCRHelper ocr = new OCRHelper();
//			ocr.setTessPath("D://Tesseract-OCR");
//			System.out.println(ocr.recognizeText(new File("G://vcode.jpg")));
//		} catch (Exception e) {
//			e.printStackTrace();
//		}
//	}
}
           

其中的 tesseractDirPath 的是我把這個安裝目錄放到配置檔案中了。

一般看起來比較正常的驗證碼基本可以直接識别，如果是有噪度的圖檔，可以自己先對圖檔處理，降噪後再使用該工具類識别。