Tess4j 简单尝试

Java
留言

Java 通过 Tess4j 实现 OCR 的简单尝试

1. 概述

1.1. 偶然刷到 Java 通过 Tess4j 实现 OCR 的例子。以前也断断续续看了一些 OCR 的文章，但总是浅尝辄止，从未上手尝试。如今看到 Java 版，终于实践了一次。这是本篇文章的由来。
1.2. Tess4j 官网介绍：用于 Tesseract OCR API 的 Java JNA 包装器。简单概括：Tesseract 是一个流行的开源 ocr 引擎，Tess4j 进行了 Java 封装，然后我们就可以在 Java 程序中访问的使用 Tesseract 进行 OCR 操作了。
1.3. 简单尝试，不适合真实场景。

2. 实现步骤

2.1. 下载 Tess4j

可以从 官网 下载源码包，也可以通过 Maven 引入。推荐方式当然是 Maven 引入，依赖如下：

1
2
3
4
5
6
<!-- https://mvnrepository.com/artifact/net.sourceforge.tess4j/tess4j -->
<dependency>
    <groupId>net.sourceforge.tess4j</groupId>
    <artifactId>tess4j</artifactId>
    <version>5.10.0</version>
</dependency>

2.2. 下载语言包 tessdata

2.3. 编码实现

  • 在项目根目录下新建目录 tessdata，放入中英语言文件，如下图：

  • 编写测试代码，如下：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
package xhp.ocr;

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;

/**
 * OCR 识别入口
 *
 * @Author xhp
 * @Date 2024/1/22 11:41
 **/
public class OcrMain {
    public static void main(String[] args) throws IOException {
        File imageFile = new File("F://Temp/20240123115455.png");
        BufferedImage image = ImageIO.read(imageFile);
        image = ImageHelper.convertImageToGrayscale(image);

        ITesseract instance = new Tesseract();
        // 设置语言文件路径
        instance.setDatapath("tessdata");
        // 设置语言
        instance.setLanguage("chi_sim");
        // 设置中文 + 英文混合语言
//        instance.setLanguage("eng+chi_sim");

        try {
            String result = instance.doOCR(image);
            System.out.println(result);
        } catch (TesseractException e) {
            System.err.println(e.getMessage());
        }
    }
}
  • 执行调试，可以顺利读取中文和英文图片。

3. 总结

3.1. 优点：实现比较简单。
3.2. 缺点：识别准确率受字体颜色、大小、清晰度、干扰度、扭曲、倾斜等度影响；对表格不能很好识别或无法定位还原表格列；
3.3. 适合读取简单清晰的图片。识别准确率可以通过自己训练数据来提高。当然真实项目场景里也不会这么简单，应该结合图片处理和更复杂的 api 去实现。
3.4. 对比了一下 Paddle OCR，个人觉得 Paddle 更好点。但是本地部署麻烦了点，如果调用在线 API 又存在网络安全、价格等因素影响。所以，还需要具体问题具体分析。