`
安铁辉
  • 浏览: 245247 次
  • 性别: Icon_minigender_1
  • 来自: 杭州
社区版块
存档分类
最新评论

tesseract-ocr图片识别开源工具

阅读更多
今天看同事的ppt,提到了图片识别,又tesseract-ocr,觉得不错,试一下,如果效果好可以用来做验证码的识别
http://code.google.com/p/tesseract-ocr/
tesseract是一款开源工具,我安装了Windows版试水先
1、首先登录首页在‘下载’页面下载
tesseract-ocr-setup-xx.xx.exe     
chi_sim.traineddata.gz   中文语言包

2、双击即可安装tesserract-ocr,
3、安装中文语言包,将语言包 chi_sim.traineddata.gz   解压到 Tesseract-OCR下
4、写测试代码:
package com.taobao.voc.tesseract;

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://java_tools//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<String> cmd = new ArrayList<String>();
        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();
    }
}


package com.taobao.voc.tesseract;

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 {
    /**
     * 图片文件转换为tif格式
     * @param imageFile 文件路径
     * @param imageFormat 文件扩展名
     * @return
     */
    public static File createImage(File imageFile, String imageFormat) {
        File tempFile = null;
        try {
            Iterator<ImageReader> 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<ImageWriter> 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"));
    }

}

测试代码
package com.taobao.voc.tesseract;
import java.io.File;
import java.io.IOException;

public class TestOCR {

    /**
     * @param args
     */
    public static void main(String[] args) {
        String path = "d://test4.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();
        }
    }

}

String path = "d://test4.jpg"; 修改为需要测试的图片,最好全中文,如果因为请更换语言包,OCR类中cmd.add("chi_sim");
分享到:
评论
8 楼 一年e度的夏天 2015-04-01  
rtyrt
7 楼 myetc 2014-04-15  
先试下,以前用过,源码丢掉了
6 楼 yangshangchuan 2014-03-03  
对验证码的识别,还是不靠谱呀,对于ITEYE的验证码,识别率只有10%
5 楼 sziitjiang 2014-02-13  
liushian 写道

结果差强人意!
图片内容(QQ截图生成的图片):
正文 第一章 创业时代的七堂必修课 第一课 命运是一只沦落在鸡窝里的鹰 字数:1385
  话说人生大势,成败与否,在乎一心。通俗地说来,无论富家儿郎或寒门子弟,无论市井

识别结果:
正文 第一章 仓lj业时代的七堂必儡彦i果 第一i果 命运是一只沦落在鸡窝里的鸾 字数:1385
i舌说人生大势y 成败与否, 在乎一z巳、z 通儡谷地说来, 无论富家JL直E或寒|、〕子弟, 无i仑市井

兄弟,差强人意这个词不是这样用的,差强人意的意思是基本令人满意,而不是不满意,哈哈哈,下次注意啦,哈哈
4 楼 liushian 2014-01-17  
图片内容(QQ截图生成的图片):
   public static void main(String[] args) {
        //String path = "E:/Workspaces/eclipse3.7.1-lsa/tesseractTest/ocr_test.jpg";
        String path = "E:/Workspaces/eclipse3.7.1-lsa/tesseractTest/ocr_test_en.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();
        }
    }
识别结果:
mm man: man ma1n(StrwE[] nrys) (

Xtruvg ynth = "n://t=sM.yny".'

try r
Xtrmg mam = new A7ER().r-:u7gn1zzT:Xt(n:w mzrnm), "yaw.-
mm.m.mmn(vmm);

; mm (xasmumm 2) <
=..m-mmmmr).-

; mm (Exczuhmv 2) (
:.urintSt1z(!zTrIzc:():'
3 楼 liushian 2014-01-17  

结果差强人意!
图片内容(QQ截图生成的图片):
正文 第一章 创业时代的七堂必修课 第一课 命运是一只沦落在鸡窝里的鹰 字数:1385
  话说人生大势,成败与否,在乎一心。通俗地说来,无论富家儿郎或寒门子弟,无论市井

识别结果:
正文 第一章 仓lj业时代的七堂必儡彦i果 第一i果 命运是一只沦落在鸡窝里的鸾 字数:1385
i舌说人生大势y 成败与否, 在乎一z巳、z 通儡谷地说来, 无论富家JL直E或寒|、〕子弟, 无i仑市井
2 楼 liushian 2014-01-17  
从网上下了一个:jai_imageio-1.1-alpha.jar
然后修改 private String tessPath = "C:\\Program Files\\Tesseract-OCR";
为我自己的路径,识别语言修改为中文后部分运行成功。
        cmd.add("chi_sim");
       // cmd.add("eng");
1 楼 liushian 2014-01-17  
      

相关推荐

    车牌识别opencv+tesseract-ocr

    Tesseract-OCR则是一个由Google维护的开源OCR(光学字符识别)引擎,能够将图像中的文本转换为可编辑的文本格式。 首先,我们需要了解OpenCV在车牌识别中的作用。OpenCV主要负责图像预处理和特征提取。预处理包括...

    tesseract-ocr-setup-3.01-1

    Tesseract OCR(Optical Character Recognition,光学字符识别)是一种由谷歌维护的开源OCR引擎,最初由HP公司在1985年开发。标题中的“tesseract-ocr-setup-3.01-1”指的是该OCR软件的一个特定版本,3.01是版本号,...

    Tesseract-OCR.zip 图片文字识别 无需安装,直接解压即可

    Tesseract OCR(Optical Character Recognition,光学字符识别)是一种开源的文本识别引擎,由Google维护,最初由HP公司于1985年开发。这款强大的工具能够从图像中识别出印刷体和手写体的文字,为用户提供了便捷的...

    tesseract-ocr-w64-setup-v5.0.0.20211201.zip

    4. **自定义训练**:用户可以根据需求训练Tesseract OCR识别特定字体或特定领域的文本,提高特定场景下的识别效果。 5. **免费和开源**:作为一款开源软件,Tesseract OCR是完全免费的,用户可以自由使用、修改和...

    tesseract-ocr4.0 简体中文语言安装包.zip

    Tesseract OCR(Optical Character Recognition,光学字符识别)是一款由谷歌维护的开源OCR引擎,它能够识别图像中的文字并转换为可编辑的文本格式。本文将详细阐述tesseract-ocr4.0的简体中文语言包及其安装过程,...

    tesseract-ocr-w64-setup-v5.0.1.20220118.exe免费的哦

    在Python爬虫场景中,Tesseract通常与其他库(如PIL或OpenCV)结合使用,对抓取的图像进行处理,然后进行OCR识别。例如,可以使用OpenCV库来裁剪图像,消除干扰元素,然后利用pytesseract进行识别。 至于"wordpress...

    tesseract-ocr-setup-3.02.02-图片识别

    在"tesseract-ocr-setup-3.02.02-图片识别"这个压缩包中,包含的是Tesseract OCR的一个特定版本——3.02.02,这版软件对于当时的文本识别技术来说,具有较高的准确率和稳定性。 **安装与配置** 在下载并解压...

    tesseract-ocr-setup-3.05.01dev-20170510.exe.zip

    Tesseract OCR(Optical Character Recognition,光学字符识别)是一款开源的OCR软件,由HP公司于1985年开发,并在2005年转交给Google维护。这款强大的工具能够识别图像中的文本,将其转换为可编辑、可搜索的格式。...

    Tesseract-OCR: 免费开源的光学字符识别工具 - 完整安装包及中文语言包下载

    Tesseract-OCR是一个功能强大的开源OCR工具,它支持100多种语言的文字识别,包括中文。用户可以通过下载基本的安装包来启动Tesseract-OCR,并根据需要安装中文语言包以扩展其识别能力。安装过程简单,只需遵循指南...

    tesseract-ocr 字符识别总结

    Tesseract 是 OCR 引擎的核心组件,负责执行OCR识别。 安装 Leptonica 可以按照以下步骤进行: 1. 下载 Leptonica 的安装包 2. 解压安装包 3. 进入安装目录 4. 运行 configure 脚本 5. 运行 make 命令 6. 运行 ...

    linux系统下搭建Tesseract-OCR环境所需安装包、中文语言包及训练所需软件

    Tesseract是一个开源的OCR(Optical Character Recognition,光学字符识别)引擎,由Google维护,广泛用于从图像中提取可编辑的文本。下面我们将详细探讨搭建这个环境所需的步骤以及必要的软件包。 首先,我们需要...

    Tesseract-OCR 训练工具

    Tesseract OCR(Optical Character Recognition,光学字符识别)是由Google维护的一款开源OCR引擎,能够自动识别图像中的文字并转换为可编辑文本。它广泛应用于文档扫描、图片文字提取等领域。然而,为了提高识别率...

    tesseract-ocr安装包和中文语言包

    Tesseract OCR(Optical Character Recognition,光学字符识别)是一款开源的文本识别引擎,由HP公司开发,后由Google接手维护。它能够将图像中的文本转换为可编辑的机器文本,广泛应用于各种场景,如文档扫描、图片...

    tesseract-ocr(5.0 64位) windows 64 位

    Tesseract OCR,全称为Tesseract Open Source OCR Engine,是由Google维护的一个开源OCR(光学字符识别)引擎。OCR技术允许软件自动识别图像中的文本,将图片转换为可编辑、可搜索的文本。Tesseract 5.0 版本是该...

    tesseract-ocr安装包和中文语言包.zip

    **使用Tesseract OCR识别中文** 在Python中使用Tesseract OCR进行中文识别,首先需要导入`pytesseract`库,并指定使用的语言。以下是一个简单的示例: ```python import pytesseract from PIL import Image # ...

    Linux下安装tesseract-ocr教程及相关资源包

    在Linux系统中,Tesseract OCR(Optical Character Recognition,光学字符识别)是一个强大的开源文本识别引擎,能够将图像中的文字转换成可编辑的文本格式。本教程将详细讲解如何在Linux环境下安装和使用Tesseract ...

    tesseract-ocr-setup-4.0.0版本官方安装文件

    Tesseract OCR(Optical Character Recognition,光学字符识别)是由谷歌维护的一个开源OCR引擎,它能够从图像中识别出文本,并将其转换为可编辑的格式。tesseract-ocr-setup-4.0.0-alpha.20180109.exe 是Tesseract ...

    tesseract-ocr-w64-setup-v5.3.0.20221214.exe

    - **批量处理**:对于大量图像,可以编写脚本批量执行OCR识别,大大提高处理速度。 总之,Tesseract OCR引擎因其开源、免费、高精度和灵活性,在文本识别领域有着广泛的应用。通过熟练掌握其使用方法和特性,可以...

    tesseract-OCR GUI版本-Linux版本

    tesseract-OCR(Optical Character Recognition)是一款强大的开源文字识别引擎,它能够将图像中的文本转换成可编辑的文本格式。由HP开发并在2005年开源,之后由Google维护,至今已发展成为全球广泛使用的OCR工具。...

Global site tag (gtag.js) - Google Analytics