Java - Tess4J文字识别

概念

Tess4J是对Tesseract OCR API的Java JNA 封装。tesseract是跨平台的OCR（Optical Character Recognition，光学字符识别）引擎，让开发者非常容易的集成OCR能力到他们自己的应用。通过强大的API从图片中识别和提取文本内容。Tess4J支持主流的图片格式，如TIFF,JPEG,GIF,PNG,BMP,and PDF。

JNA可以让你像调用一般java方法一样直接调用本地方法。jna封装的 那些 c++写的 动态类库 dll文件 已经在jar包里了。不要在像网上的教程 安装一下 ，不需要安装。

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。 

官网地址

http://tess4j.sourceforge.net

http://tess4j.sourceforge.net/docs/index.html

识别文字

        <dependency>
            <groupId>net.sourceforge.tess4j</groupId>
            <artifactId>tess4j</artifactId>
            <version>4.4.1</version>
        </dependency>

 

 File file = new File("D:\\wenshu_zhang\\jpg\\115220200301000294\\1.jpg");
        ITesseract instance = new Tesseract();

        //设置训练库的位置
        instance.setDatapath(lagnguagePath);


        //chi_sim ：简体中文， eng    根据需求选择语言库
        instance.setLanguage("chi_sim");
        String result = null;
        try {
            long startTime = System.currentTimeMillis();
            result = instance.doOCR(file);
            long endTime = System.currentTimeMillis();
            System.out.println("Time is：" + (endTime - startTime) + " 毫秒");
        } catch (TesseractException e) {
            e.printStackTrace();
        }
        System.out.println(result);

如何提高识别率

在被识别的图片理想的情况下，tesseract的识别率是很高的。识别率低原因很大部分是因为被识别的图片没做好处理。

总结了下，可以从以下几条入手去提高识别率。

1. 做好图片的二值化
2. 合理的降噪
3. 图片resize
4. 图片旋转到合适的角度
5. 图片切割
6. 合理的训练自己的识别库。