tesseract-ocr图片识别开源工具

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");

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