tesseract-ocr识别中文扫描图片实…

本文参考http://blog.csdn.net/zhoushuyan/archive/2010/10/18/5948289.aspx#1567946实现，在这里感谢该文章的作者。

当我浏览http://code.google.com/p/tesseract-ocr并下载了几个文件下来之后顿时感到一头雾水，不知该如何下手。网上看到有人在linux操作系统下的实现，

如：

利用开源程序（ImageMagick+tesseract-ocr）实现图像验证码识别

但却很少看到在windows下的相关文章介绍。

接下来我将一步步讲述如何采用tesseract-ocr识别含有中文的图片。

1、下载tesseract-ocr（注意3.0版本之后才支持中文的识别）



tesseract-ocr-setup-3.00.exe



chi_sim.traineddata.gz

2、安装tesseract-ocr


解压缩，双击
tesseract-ocr-setup-3.00.exe 即可根据提示一步步安装，本人安装的目录是：D:\Program
Files\Tesseract-OCR


在该目录下可看到tesseract.exe文件，这就是我们后面程序中会调用到的运行进程。

3、自定义安装语言包


D:\Program Files\Tesseract-OCR目录下找到\tessdata目录，其是用来存放语言包，可把

chi_sim.traineddata.gz 解压缩之后的chi_sim.traineddata文件复制到该目录下即可。

4、编写测试代码


在编写代码之前下载两个jar包：jai_imageio-1.1-alpha.jar、swingx-1.0.jar，可在www.findjar.com 网站上去下载。



view
plaincopy
to clipboardprint?

import java.awt.image.BufferedImage;

import java.io.File;

import java.io.IOException;

import java.util.Iterator;

import java.util.Locale;



import javax.imageio.IIOImage;

import javax.imageio.ImageIO;

import javax.imageio.ImageReader;

import javax.imageio.ImageWriteParam;

import javax.imageio.ImageWriter;

import javax.imageio.metadata.IIOMetadata;

import javax.imageio.stream.ImageInputStream;

import javax.imageio.stream.ImageOutputStream;



import com.sun.media.imageio.plugins.tiff.TIFFImageWriteParam;



public class ImageIOHelper {



public static File createImage(File imageFile, String imageFormat) {

File tempFile = null;

try {

Iterator readers = ImageIO.getImageReadersByFormatName(imageFormat);

ImageReader reader = readers.next();



ImageInputStream iis = ImageIO.createImageInputStream(imageFile);

reader.setInput(iis);

//Read the stream metadata

IIOMetadata streamMetadata = reader.getStreamMetadata();



//Set up the writeParam

TIFFImageWriteParam tiffWriteParam = new TIFFImageWriteParam(Locale.CHINESE);

tiffWriteParam.setCompressionMode(ImageWriteParam.MODE_DISABLED);



//Get tif writer and set output to file

Iterator writers = ImageIO.getImageWritersByFormatName("tiff");

ImageWriter writer = writers.next();



BufferedImage bi = reader.read(0);

IIOImage image = new IIOImage(bi,null,reader.getImageMetadata(0));

tempFile = tempImageFile(imageFile);

ImageOutputStream ios = ImageIO.createImageOutputStream(tempFile);

writer.setOutput(ios);

writer.write(streamMetadata, image, tiffWriteParam);

ios.close();



writer.dispose();

reader.dispose();



} catch (IOException e) {

e.printStackTrace();

}

return tempFile;

}



private static File tempImageFile(File imageFile) {

String path = imageFile.getPath();

StringBuffer strB = new StringBuffer(path);

strB.insert(path.lastIndexOf('.'),0);

return new File(strB.toString().replaceFirst("(?<=\\.)(\\w+)$", "tif"));

}



}

import java.awt.image.BufferedImage;
import java.io.File;
import java.io.IOException;
import java.util.Iterator;
import java.util.Locale;
import javax.imageio.IIOImage;
import javax.imageio.ImageIO;
import javax.imageio.ImageReader;
import javax.imageio.ImageWriteParam;
import javax.imageio.ImageWriter;
import javax.imageio.metadata.IIOMetadata;
import javax.imageio.stream.ImageInputStream;
import javax.imageio.stream.ImageOutputStream;
import com.sun.media.imageio.plugins.tiff.TIFFImageWriteParam;
public class ImageIOHelper {

public static File createImage(File imageFile, String imageFormat) {
File tempFile = null;
try {
Iterator

readers = ImageIO.getImageReadersByFormatName(imageFormat);
ImageReader reader = readers.next(); ImageInputStream iis =
ImageIO.createImageInputStream(imageFile); reader.setInput(iis);
//Read the stream metadata IIOMetadata streamMetadata =
reader.getStreamMetadata(); //Set up the writeParam
TIFFImageWriteParam tiffWriteParam = new
TIFFImageWriteParam(Locale.CHINESE);
tiffWriteParam.setCompressionMode(ImageWriteParam.MODE_DISABLED);
//Get tif writer and set output to file Iterator writers =
ImageIO.getImageWritersByFormatName("tiff"); ImageWriter writer =
writers.next(); BufferedImage bi = reader.read(0); IIOImage image =
new IIOImage(bi,null,reader.getImageMetadata(0)); tempFile =
tempImageFile(imageFile); ImageOutputStream ios =
ImageIO.createImageOutputStream(tempFile); writer.setOutput(ios);
writer.write(streamMetadata, image, tiffWriteParam); ios.close();
writer.dispose(); reader.dispose(); } catch (IOException e) {
e.printStackTrace(); } return tempFile; } private static File
tempImageFile(File imageFile) { String path = imageFile.getPath();
StringBuffer strB = new StringBuffer(path);
strB.insert(path.lastIndexOf('.'),0); return new
File(strB.toString().replaceFirst("(?<=\\.)(\\w+)$", "tif")); }
}






view
plaincopy
to clipboardprint?

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;



public class OCR {

private final String LANG_OPTION = "-l"; //英文字母小写l，并非数字1

private final String EOL = System.getProperty("line.separator");

private String tessPath = "D:\\Program Files\\Tesseract-OCR";

//private String tessPath = new File("tesseract").getAbsolutePath();



public String recognizeText(File imageFile,String imageFormat)throws Exception{

File tempImage = ImageIOHelper.createImage(imageFile,imageFormat);

File outputFile = new File(imageFile.getParentFile(),"output");

StringBuffer strB = new StringBuffer();

List cmd = new ArrayList();

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);

cmd.add("chi_sim");

//cmd.add("eng");



ProcessBuilder pb = new ProcessBuilder();

pb.directory(imageFile.getParentFile());



cmd.set(1, tempImage.getName());

pb.command(cmd);

pb.redirectErrorStream(true);



Process process = pb.start();

//tesseract.exe 1.jpg 1 -l chi_sim

int w = process.waitFor();



//删除临时正在工作文件

tempImage.delete();



if(w==0){

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:

msg = "Errors accessing files.There may be spaces in your image's filename.";

break;

case 29:

msg = "Cannot recongnize the image or its selected region.";

break;

case 31:

msg = "Unsupported image format.";

break;

default:

msg = "Errors occurred.";

}

tempImage.delete();

throw new RuntimeException(msg);

}

new File(outputFile.getAbsolutePath()+".txt").delete();

return strB.toString();

}

}

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;
public class OCR {
private final String LANG_OPTION = "-l"; //英文字母小写l，并非数字1
private final String EOL = System.getProperty("line.separator");
private String tessPath = "D:\\Program Files\\Tesseract-OCR";
//private String tessPath = new File("tesseract").getAbsolutePath();
public String recognizeText(File imageFile,String imageFormat)throws
Exception{
File tempImage = ImageIOHelper.createImage(imageFile,imageFormat);
File outputFile = new File(imageFile.getParentFile(),"output");
StringBuffer strB = new StringBuffer();
List

cmd = new ArrayList(); 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);
cmd.add("chi_sim"); //cmd.add("eng"); ProcessBuilder pb = new
ProcessBuilder(); pb.directory(imageFile.getParentFile());
cmd.set(1, tempImage.getName()); pb.command(cmd);
pb.redirectErrorStream(true); Process process = pb.start();
//tesseract.exe 1.jpg 1 -l chi_sim int w = process.waitFor();
//删除临时正在工作文件 tempImage.delete(); if(w==0){ 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: msg = "Errors accessing files.There may be
spaces in your image's filename."; break; case 29: msg = "Cannot
recongnize the image or its selected region."; break; case 31: msg
= "Unsupported image format."; break; default: msg = "Errors
occurred."; } tempImage.delete(); throw new RuntimeException(msg);
} new File(outputFile.getAbsolutePath()+".txt").delete(); return
strB.toString(); } }




view
plaincopy
to clipboardprint?

import java.io.File;

import java.io.IOException;



public class TestOCR {





public static void main(String[] args) {

String path = "d:\\test\\chi.jpg";

try {

String valCode = new OCR().recognizeText(new File(path), "jpg");

System.out.println(valCode);

} catch (IOException e) {

e.printStackTrace();

} catch (Exception e) {

e.printStackTrace();

}

}



}

import java.io.File;
import java.io.IOException;
public class TestOCR {

public static void main(String[] args) {
String path = "d:\\test\\chi.jpg";
try {
String valCode = new OCR().recognizeText(new File(path), "jpg");
System.out.println(valCode);
} catch (IOException e) {
e.printStackTrace();
} catch (Exception e) {
e.printStackTrace();
}
}
}







通过本人的测试对于中文的识别虽然不是很完美，至少其可支持了，但最大的缺点就是速度慢。中文本来就很复杂，而且其语言包就达到50多M，和英文语言包比起来真是..............


测试图片，可右击“图片另存为”





解析输出结果：

一、 引 孟4

1. 1 从体验经济到体验设计驷

随着社会生产力发展水平的提高和人类需求层次的升级, 体验经济也就成

为了经济发展的必然趋势。 体验经济 日 渐显现, 出现了服务于它的体验设计。 、

设计是创新的重要组成部分。 茌强调 目 主创新的六环i竞下, 申国的企业应

该兖分关注体验设计的新趋势‘。体验设计的理论正茌成为现代企业开发产品和

服务顶 目 的重要依据。 现阶段, IT 领域很早就注意到了这一点, 百度、 腾讯、

支付宝、 阿里巴巴等着属设有专门的用户体验部, 为其产品和服务增加附加价值,

也更六程度她让用户满意, 最终荻得了最佳企业效益。 、

同时7 随看现代产品设计思想的成熟, 产品设计也越来越聚焦于人本身一

7人的存茌, 人的需要7 持别是人的情感需要。 设计与人, 人与设计, 设计是

否可以有长远意义, 是否可以印证人的真买存茌, 是否可以帮助人们理解 目 己,

认识世界。 这个问题己偏 同于哲学, 但却确买是设计这种文化形式的 内茌诉求。

越来越多的产品遍过设计, 茌与人交互的过程申7 使人产生愉悦的体验, 并茌

这个体验的后期, 让人产生反思, 遍过反思得以认识自 己7 发展自 己。 找想这

点是设计成为一种优势文化, 而所要肩 负 的必要责任。 ~

测试中发现的几个注意点：

1、若是一份英文文档其对英文字母o绝大部分会识别为数字0。所以若是英文和数字的文档，最好不要加入中文语言包，而是引入eng.traineddata语言包到D:\Program
Files\Tesseract-OCR\tessdata目录下。


看到OCR 类31-32行代码


cmd.add("chi_sim");


//cmd.add("eng");

去掉
//cmd.add("eng");前的注释，但记得在cmd.add("chi_sim");前加上注释哦，不然你就看不到效果了哦。


2、测试中还发现一个问题，有时候在目录下已经生成临时文件并且识别出的文字写入到output.txt,但是在int w =
process.waitFor();则阻塞了停止运行再也没有反应了，以致控制台始终没有打印出文字。


解析（参考）：刚开始想到直接去掉这个语句算了，但是运行的时候会报运行错误。最后在 http://www.cnblogs.com/xxpal/articles/824963.html看到下面一段文字说明：在 Windows平台上，运行被调用程序的DOS窗口在程序执行完毕后往往并不会自动关闭，从而导致Java应用程序阻塞在waitfor()语句。导致该现象的一个可能的原因是，该可执行程序的标准输出比较多，而运行窗口的标准输出缓冲区不够大。解决的办法是，利用Java中Process类提供的方法让
Java虚拟机截获被调用程序的DOS运行窗口的标准输出，在waitfor()命令之前读出窗口的标准输出缓冲区中的内容。


解决办法：在int w =
process.waitFor();代码行前面加上


String s;


BufferedReader bufferedReader = new BufferedReader(new
InputStreamReader(process.getInputStream()));


while((s=bufferedReader.readLine()) != null);


int w = process.waitFor();


再次运行试试看吧。