比尔云BierYun--阿里云最新优惠活动
阿里云优惠码丨阿里云代金券

java文字识别技术(亲测,识别率很高)

   java文字识别程序的关键是寻找一个可以调用的OCR引擎。tesseract-ocr就是一个这样的OCR引擎,在1985年到1995年由HP实验室开发,现在在Google。tesseract-ocr 3.0发布,支持中文。不过tesseract-ocr 3.0不是图形化界面的客户端,别人写的FreeOCR图形化客户端还不支持导入新的 3.0 traineddata。但这标志着,现在有自由的中文OCR软件了。

   java中使用tesseract-ocr3.01的步骤如下:

1.下载安装tesseract-ocr-setup-3.01-1.exe(3.0以上版本才增加了中文识别)

2.在安装向导中可以选择需要下载的语言包。

3.到网上搜索下载java图形处理所需的2个包:jai_imageio-1.1-alpha.jar,swingx-1.6.1.jar

4.java程序清单:

ImageIOHelper 类:

  1. import java.awt.image.BufferedImage;
  2. import java.io.File;
  3. import java.io.IOException;
  4. import java.util.Iterator;
  5. import java.util.Locale;
  6. import javax.imageio.IIOImage;
  7. import javax.imageio.ImageIO;
  8. import javax.imageio.ImageReader;
  9. import javax.imageio.ImageWriteParam;
  10. import javax.imageio.ImageWriter;
  11. import javax.imageio.metadata.IIOMetadata;
  12. import javax.imageio.stream.ImageInputStream;
  13. import javax.imageio.stream.ImageOutputStream;
  14. import com.sun.media.imageio.plugins.tiff.TIFFImageWriteParam;
  15. public class ImageIOHelper {
  16.     public static File createImage(File imageFile, String imageFormat) {
  17.         File tempFile = null;
  18.         try {
  19.             Iterator readers = ImageIO.getImageReadersByFormatName(imageFormat);
  20.             ImageReader reader = readers.next();
  21.             ImageInputStream iis = ImageIO.createImageInputStream(imageFile);
  22.             reader.setInput(iis);
  23.             //Read the stream metadata
  24.             IIOMetadata streamMetadata = reader.getStreamMetadata();
  25.             //Set up the writeParam
  26.             TIFFImageWriteParam tiffWriteParam = new TIFFImageWriteParam(Locale.CHINESE);
  27.             tiffWriteParam.setCompressionMode(ImageWriteParam.MODE_DISABLED);
  28.             //Get tif writer and set output to file
  29.             Iterator writers = ImageIO.getImageWritersByFormatName(“tiff”);
  30.             ImageWriter writer = writers.next();
  31.             BufferedImage bi = reader.read(0);
  32.             IIOImage image = new IIOImage(bi,null,reader.getImageMetadata(0));
  33.             tempFile = tempImageFile(imageFile);
  34.             ImageOutputStream ios = ImageIO.createImageOutputStream(tempFile);
  35.             writer.setOutput(ios);
  36.             writer.write(streamMetadata, image, tiffWriteParam);
  37.             ios.close();
  38.             writer.dispose();
  39.             reader.dispose();
  40.         } catch (IOException e) {
  41.             e.printStackTrace();
  42.         }
  43.         return tempFile;
  44.     }
  45.     private static File tempImageFile(File imageFile) {
  46.         String path = imageFile.getPath();
  47.         StringBuffer strB = new StringBuffer(path);
  48.         strB.insert(path.lastIndexOf(‘.’),0);
  49.         return new File(strB.toString().replaceFirst(“(?<=//.)(//w+)$”, “tif”));
  50.     }
  51. }

OCR 类:

  1. package com.hhp.util;
  2. import java.io.BufferedReader;
  3. import java.io.File;
  4. import java.io.FileInputStream;
  5. import java.io.InputStreamReader;
  6. import java.util.ArrayList;
  7. import java.util.List;
  8. import org.jdesktop.swingx.util.OS;
  9. public class OCR {
  10.     private final String LANG_OPTION = “-l”;  //英文字母小写l,并非数字1
  11.     private final String EOL = System.getProperty(“line.separator”);
  12.     private String tessPath = “C://Program Files (x86)//Tesseract-OCR”;
  13.     //private String tessPath = new File(“tesseract”).getAbsolutePath();
  14.     public String recognizeText(File imageFile,String imageFormat)throws Exception{
  15.         File tempImage = ImageIOHelper.createImage(imageFile,imageFormat);
  16.         File outputFile = new File(imageFile.getParentFile(),”output”);
  17.         StringBuffer strB = new StringBuffer();
  18.         List cmd = new ArrayList();
  19.         if(OS.isWindowsXP()){
  20.             cmd.add(tessPath+”//tesseract”);
  21.         }else if(OS.isLinux()){
  22.             cmd.add(“tesseract”);
  23.         }else{
  24.             cmd.add(tessPath+”//tesseract”);
  25.         }
  26.         cmd.add(“”);
  27.         cmd.add(outputFile.getName());
  28.         cmd.add(LANG_OPTION);
  29.         cmd.add(“chi_sim”);
  30.         //cmd.add(“eng”);
  31.         ProcessBuilder pb = new ProcessBuilder();
  32.         pb.directory(imageFile.getParentFile());
  33.         cmd.set(1, tempImage.getName());
  34.         pb.command(cmd);
  35.         pb.redirectErrorStream(true);
  36.         Process process = pb.start();
  37.         //tesseract.exe 1.jpg 1 -l chi_sim
  38.         int w = process.waitFor();
  39.         //删除临时正在工作文件
  40.         tempImage.delete();
  41.         if(w==0){
  42.             BufferedReader in = new BufferedReader(new InputStreamReader(new FileInputStream(outputFile.getAbsolutePath()+”.txt”),”UTF-8″));
  43.             String str;
  44.             while((str = in.readLine())!=null){
  45.                 strB.append(str).append(EOL);
  46.             }
  47.             in.close();
  48.         }else{
  49.             String msg;
  50.             switch(w){
  51.                 case 1:
  52.                     msg = “Errors accessing files.There may be spaces in your image’s filename.”;
  53.                     break;
  54.                 case 29:
  55.                     msg = “Cannot recongnize the image or its selected region.”;
  56.                     break;
  57.                 case 31:
  58.                     msg = “Unsupported image format.”;
  59.                     break;
  60.                 default:
  61.                     msg = “Errors occurred.”;
  62.             }
  63.             tempImage.delete();
  64.             throw new RuntimeException(msg);
  65.         }
  66.         new File(outputFile.getAbsolutePath()+”.txt”).delete();
  67.         return strB.toString();
  68.     }
  69. }

测试类TestOCR :

  1. import java.io.File;
  2. import java.io.IOException;
  3. import com.hhp.util.OCR;
  4. public class OcrTest {
  5.  public static void main(String[] args) {
  6.         String path = “C://temp//OCRcode//4.png”;
  7.         System.out.println(“ORC Test Begin……”);
  8.         try {
  9.             String valCode = new OCR().recognizeText(new File(path), “png”);
  10.             System.out.println(valCode);
  11.         } catch (IOException e) {
  12.             e.printStackTrace();
  13.         } catch (Exception e) {
  14.             e.printStackTrace();
  15.         }
  16.         System.out.println(“ORC Test End……”);
  17.     }
  18. }

经过测试,tesseract-ocr 3.01的文字识别率很高,对于网站中常见的验证码识别率也很高。

未经允许不得转载:aliyun代理商 » java文字识别技术(亲测,识别率很高)
分享到: 更多 (0)

评论 抢沙发

  • 昵称 (必填)
  • 邮箱 (必填)
  • 网址

强烈推荐

高性能SSD云服务器ECS抗攻击,高可用云数据库RDS