一.簡介

Tesseract-OCR支援中文識别，并且開源和提供全套的訓練工具，是快速低成本開發的首選。而Tess4J則是Tesseract在Java PC上的應用。在英文和數字識别中性能還是不錯的，但是在中文識别中，無論速度還是識别率還是較弱，建議有條件的話，針對場景進行訓練，會獲得較好結果，本文僅對目前Tess4J的用法進行介紹

二.入門教程

2.1 Tess4J官網下載下傳最新的源碼包

Tess4J官網.

Github位址：GitHub - nguyenq/tess4j: Java JNA wrapper for Tesseract OCR API

2.2 Tess4J目錄說明

dist:綜合jar,不需要配置dll
lib:所有相關的jar包
src:源碼包
tessdata:訓練好的字型模型
test:測試用例

2.3 Java Maven Demo

Pom.xml

<?xml version="1.0" encoding="UTF-8"?>
<project xmlns="http://maven.apache.org/POM/4.0.0"
         xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
         xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/xsd/maven-4.0.0.xsd">
    <modelVersion>4.0.0</modelVersion>

    <groupId>org.example</groupId>
    <artifactId>tess4j-demo</artifactId>
    <version>1.0-SNAPSHOT</version>

    <properties>
        <maven.compiler.source>8</maven.compiler.source>
        <maven.compiler.target>8</maven.compiler.target>
        <project.build.sourceEncoding>UTF-8</project.build.sourceEncoding>
    </properties>

    <dependencies>
        <dependency>
            <groupId>net.sourceforge.tess4j</groupId>
            <artifactId>tess4j</artifactId>
            <version>5.4.0</version>
        </dependency>

        <dependency>
            <groupId>junit</groupId>
            <artifactId>junit-dep</artifactId>
            <version>4.11</version>
        </dependency>

        <dependency>
            <groupId>org.slf4j</groupId>
            <artifactId>slf4j-api</artifactId>
            <version>2.0.3</version>
        </dependency>
    </dependencies>
</project>

示例1

設定引擎模式，設定識别語種，設定圖檔分割模式

package org.example;

import net.sourceforge.tess4j.ITesseract;
import net.sourceforge.tess4j.Tesseract;
import net.sourceforge.tess4j.TesseractException;

import java.io.File;
import java.util.ArrayList;
import java.util.List;

public class Main {
    public static void main(String[] args) throws TesseractException {
        System.out.println("Hello world!");

        File file = new File("D:\\1.jpg");

        ITesseract iTesseract = new Tesseract();
        iTesseract.setDatapath("D:\\programs\\TessractOCR\\tessdata"); // 設定tessdata目錄
        iTesseract.setLanguage("eng"); // 指定需要識别的語種

        // 隻提取數字
        List<String> configList = new ArrayList<>();
        configList.add("digits");
        iTesseract.setConfigs(configList);

        iTesseract.setOcrEngineMode(1); // 設定OCR引擎模式（OEM）
        iTesseract.setPageSegMode(6);   // 設定圖檔分割模式（PSM）

        String result = iTesseract.doOCR(file);


        System.out.println(result);
    }
}

tessdata下載下傳位址：traineddata，tessdata_best

示例2

對待識别圖檔進行預處理，便于識别

package org.example;

import net.sourceforge.tess4j.ITesseract;
import net.sourceforge.tess4j.Tesseract;
import net.sourceforge.tess4j.TesseractException;
import net.sourceforge.tess4j.util.ImageHelper;

import javax.imageio.ImageIO;
import java.awt.image.BufferedImage;
import java.io.File;
import java.io.IOException;

/**
 * 圖檔優化
 * @author 86133 2022-11-18 10:01:09
 */
public class ImgOptimize {
    public static void main(String[] args) throws IOException {
        // 識别圖檔的檔案（修改為自己的圖檔路徑）
        String imagePath = ClassLoader.getSystemResource("tupian/9188.png").getPath();
        if (imagePath.length() > 0) {
            imagePath = imagePath.substring(1);
        }
        System.out.println("imagePath:" + imagePath);
        File file = new File(imagePath);

        // 圖檔轉圖檔流
        BufferedImage img = ImageIO.read(file);

        // 這裡對圖檔黑白處理,增強識别率.這裡先通過截圖,截取圖檔中需要識别的部分
        img = ImageHelper.convertImageToGrayscale(img);

        // 圖檔銳化,自己使用中影響識别率的主要因素是針式列印機字迹不連貫,是以銳化反而降低識别率
        img = ImageHelper.convertImageToBinary(img);

        // 圖檔放大5倍,增強識别率(很多圖檔本身無法識别,放大7倍時就可以輕易識,但是考濾到客戶電腦組態低,針式列印機列印不連貫的問題,這裡就放大7倍)
        img = ImageHelper.getScaledInstance(img, img.getWidth() * 7, img.getHeight() * 7);

        ITesseract instance = new Tesseract();

        //設定訓練庫的位置
        String path = ClassLoader.getSystemResource("tessdata").getPath();
        if (path.length() > 0) {
            path = path.substring(1);
        }

        // 列印路徑
        System.out.println("tessdata:" + path);
        instance.setDatapath(path);

        //chi_sim ：簡體中文， eng    根據需求選擇語言庫
        instance.setLanguage("eng");
        String result = null;
        try {
            long startTime = System.currentTimeMillis();
            result = instance.doOCR(img);
            long endTime = System.currentTimeMillis();
            System.out.println("Time is：" + (endTime - startTime) + " 毫秒");
        } catch (TesseractException e) {
            e.printStackTrace();
        }

        System.out.println("result: " + result);
    }
}

說明：

// 基于圖檔識别的識别率不高，一般先做圖檔的處理再進行識别。Tess4J專門提供的ImageHelper：
	getScaledInstance 放大圖檔
	getSubImage 截取圖檔
	convertImageToBinary 轉二進制
	convertImageToGrayscale 将圖像轉換為灰階
	invertImageColor 反轉圖像顔色
	rotateImage 旋轉影像

//圖檔轉圖檔流
BufferedImage img = ImageIO.read(file);

// 這裡對圖檔黑白處理,增強識别率.這裡先通過截圖,截取圖檔中需要識别的部分
img = ImageHelper.convertImageToGrayscale(img);

// 圖檔銳化,自己使用中影響識别率的主要因素是針式列印機字迹不連貫,是以銳化反而降低識别率
 img = ImageHelper.convertImageToBinary(img);

// 圖檔放大5倍,增強識别率(很多圖檔本身無法識别,放大7倍時就可以輕易識,
// 但是考濾到客戶電腦組態低,針式列印機列印不連貫的問題,這裡就放大7倍)
img = ImageHelper.getScaledInstance(img, img.getWidth() * 7, img.getHeight() * 7);

示例3

将識别後的文本，辨別到圖檔中相應的識别位置上

package org.example;

import net.sourceforge.tess4j.*;

import javax.imageio.ImageIO;
import javax.imageio.stream.ImageOutputStream;
import java.awt.*;
import java.awt.image.BufferedImage;
import java.io.File;
import java.io.IOException;
import java.nio.file.Files;
import java.util.ArrayList;
import java.util.Arrays;
import java.util.List;

/**
 * 圖檔文字識别，并将識别結果辨別在圖檔上
 *
 * @author 86133 2022-11-17 15:04:18
 */
public class ImgIdentification {
    public static void main(String[] args) throws IOException {
        File imageFile = new File("img/test.png");
        BufferedImage bi = ImageIO.read(Files.newInputStream(imageFile.toPath()));
        ITesseract instance = getInstance();

        // 擷取識别的詞彙清單
        List<Word> wordList = instance.getWords(bi, ITessAPI.TessPageIteratorLevel.RIL_WORD);
        System.out.println("wordList: ----------------- " + wordList);

        File outImageFile = new File("img/result.png");
        identifyImg(bi, wordList, outImageFile);
    }

    /**
     * 識别并辨別圖檔
     *
     * @param wordList
     * @throws IOException
     */
    private static void identifyImg(BufferedImage bi, List<Word> wordList, File outImageFile) throws IOException {
        // 建立畫筆
        Graphics2D pen = bi.createGraphics();
        pen.setColor(Color.RED);

        for (Word word : wordList) {
            Rectangle rect = word.getBoundingBox();
            pen.drawRect(rect.x, rect.y, rect.width, rect.height);

            pen.setFont(new Font("微軟雅黑", Font.ITALIC, 18));
            pen.drawString(word.getText(), rect.x, rect.y - 10);
        }

        ImageOutputStream ios = ImageIO.createImageOutputStream(outImageFile);
        ImageIO.write(bi, "png", ios);
    }

    private static void createDocumentsWithResultsTest() throws Exception {
        ITesseract instance = getInstance();

        File imageFile = new File("img", "image.png");
        BufferedImage bi = ImageIO.read(Files.newInputStream(imageFile.toPath()));

        String outputbase = "target/test-classes/test-results/docrenderer1-5";
        List<ITesseract.RenderedFormat> formats = new ArrayList<>(Arrays.asList(ITesseract.RenderedFormat.HOCR, ITesseract.RenderedFormat.PDF, ITesseract.RenderedFormat.TEXT));

        OCRResult or = instance.createDocumentsWithResults(bi, imageFile.getPath(), outputbase, formats, ITessAPI.TessPageIteratorLevel.RIL_WORD);
        System.out.println(or.getWords());
    }

    private static ITesseract getInstance() {
        ITesseract instance = new Tesseract();

        // 設定tessdata目錄, 下載下傳位址： https://github.com/tesseract-ocr/tessdata_best
        instance.setDatapath("D:\\programs\\TessractOCR\\tessdata");

        /**
         * 設定需要識别的語種,
         *   chi_sim+eng： 表示識别簡體中文和英文;
         *   eng: 僅識别英文
         */
        instance.setLanguage("chi_sim+eng");

        instance.setOcrEngineMode(1); // 設定OCR引擎模式（OEM）
        instance.setPageSegMode(6);   // 設定圖檔分割模式（PSM）

        return instance;
    }

}

2.4 READ.ME

# Note
Tesseract引入訓練模型的方法

    根據自己的需要下載下傳需要的模型檔案，将traineddata檔案放在 
    %TesseractOCR_HOME%\tessdata 目錄（Tesseract安裝目錄）下就可以了。

tessdata下載下傳位址:

    https://github.com/tesseract-ocr/tessdata_best   

tessdata_best可用來再訓練字庫

    訓練方法參考文檔：
    https://tesseract-ocr.github.io/tessdoc/tess4/TrainingTesseract-4.00.html

# 參數釋義
## 自定義配置
    config = r'-l chi_sim+eng --psm 6'
    # 其它OCR選項：
    # --tessdata-dir PATH：Specify the location of tessdata path.
    # --user-words PATH：Specify the location of user words file.
    # --user-patterns PATH：Specify the location of user patterns file.
    # --dpi VALUE：Specify DPI for input image.
    # -l LANG[+LANG]：Specify language(s) used for OCR.
    # -c VAR=VALUE：Set value for config variables. Multiple -c arguments are allowed.
    # --psm NUM：Specify page segmentation mode.
    # --oem NUM：Specify OCR Engine mode.
    text = pytesseract.image_to_string(Image.open(r'D:\workspace\tesseract-ocr\test.jpg'), config=config)

## ImageHelper
    getScaledInstance 放大圖檔
    getSubImage 截取圖檔
    convertImageToBinary 轉二進制
    convertImageToGrayscale 将圖像轉換為灰階
    invertImageColor 反轉圖像顔色
    rotateImage 旋轉影像

## 圖檔分割模式（PSM）
tesseract有13種圖檔分割模式（page segmentation mode，psm）：

    0 – Orientation and script detection (OSD) only. 方向及語言檢測（Orientation and script detection，OSD)
    1 – Automatic page segmentation with OSD. 自動圖檔分割
    2 – Automatic page segmentation, but no OSD, or OCR. 自動圖檔分割，沒有OSD和OCR
    3 – Fully automatic page segmentation, but no OSD. (Default) 完全的自動圖檔分割，沒有OSD
    4 – Assume a single column of text of variable sizes. 假設有一列不同大小的文本
    5 – Assume a single uniform block of vertically aligned text. 假設有一個垂直對齊的文本塊
    6 – Assume a single uniform block of text. 假設有一個對齊的文本塊
    7 – Treat the image as a single text line. 圖檔為單行文本
    8 – Treat the image as a single word. 圖檔為單詞
    9 – Treat the image as a single word in a circle. 圖檔為圓形的單詞
    10 – Treat the image as a single character. 圖檔為單個字元
    11 – Sparse text. Find as much text as possible in no particular order. 稀疏文本。查找盡可能多的文本，沒有特定的順序。
    12 – Sparse text with OSD. OSD稀疏文本
    13 – Raw line. Treat the image as a single text line, bypassing hacks that are Tesseract-specific. 原始行。将圖像視為單個文本行。

## OCR引擎模式（OEM）
有4種OCR引擎模式：

    0 – Legacy engine only.
    1 – Neural nets LSTM engine only.
    2 – Legacy + LSTM engines.
    3 – Default, based on what is available.

## 方向及語言檢測OSD
    Tesseract支援方向及語言檢測（Orientation and script detection，OSD) ，比如檢測下面的圖檔：
![img.png](img/img.png)

### 檢測方法：
    osd = pytesseract.image_to_osd('osd-example.png',config='--psm 0 -c min_characters_to_try=5')
    print(osd)

### 執行結果：
    Page number: 0
    Orientation in degrees: 90
    Rotate: 270
    Orientation confidence: 0.74
    Script: Han
    Script confidence: 0.83

Tess4J 安裝及使用介紹

一.簡介

二.入門教程

2.1 Tess4J官網下載下傳最新的源碼包

2.2 Tess4J目錄說明

2.3 Java Maven Demo

示例1

示例2

示例3

2.4 READ.ME

繼續閱讀

項目管理工具Microsoft Project下載下傳、使用介紹，5大替代工具盤點

新手制作短視訊需要哪些拍攝裝置？拍攝技巧、剪輯軟體的使用介紹

jGit常用使用介紹

騰訊郵箱『個性群發』功能使用介紹

PS中幾個工具的使用介紹

新年假期剛剛結束，深藍就來了一波OTA更新，完成系統更新到現在也差不多有十來天了，現在和大家一起聊聊更新後的使用情況，也

Git基礎使用介紹

Java内部類的使用介紹詳解

CC2530按鍵長按和短按控制LED任務：用按鍵1長按或短按控制LED6與LED4(使用端口1中斷和定時器1中斷來實作)整體代碼總結

volatile關鍵字原理的使用介紹和底層原了解析和使用執行個體

ThreadLocal 使用介紹以及記憶體溢出分析

Linux磁盤管理LVM和RAID使用介紹

傳統SpringMVC使用介紹

Flutter 3.7 新特性：背景isolate通道使用介紹

LLMs的使用介紹-實踐中使用的3個級别