Tess4j图片文字识别

摘要: 图片文字识别

最近工作可能会用到图片文字识别，所以提前储备一些相关的知识，貌似tess4j的口碑不错，但是最后的遇到的问题是中文识别率不够高，看看还有什么其他开源工具能够使用。

在自己搭建环境，遇到的各种问题还是记录一下。

机器环境：64位win7

开发环境：jdk7 64位

一、准备工作：

既然是需要识别文字，那肯定需要软件的支撑，首先在本机安装一个tesseract-ocr，

具体的版本根据自己的实际情况来把，我安装的版本是tesseract-ocr-setup-3.02.02

这个软件必须要安装，否则程序会报错的。

由于该功能后期会集成到web中，所以建立了web工程，选择开始准备文件：

1.需要准备的dll文件（需要区分32和64位的机器）



2.所有需要的jar文件如图：



3.需要的支持识别语言文件：



最后整个过程如图：



其中红色部分是我自己打的jar包，里面就是tess4j的源代码，这个明确下，里面内容没有去整理。

二、测试功能：

根据Tess4j官网给出的示例程序，示例程序太特么爽歪歪了，好吧我直接运行之后结果如下：

File imageFile = new File("d:\\123.png");
ITesseract instance = Tesseract.getInstance() ;
String result = instance.doOCR(imageFile);

允许后得到的结果如下，你大爷，啥玩意这是：



刚开始我也很纳闷，不过随即想到，既然你有一个tessdata用来存放识别的支持语言，那么这里肯定就需要我们来设置一下语言，大概和我们设置什么gbk类似，原谅我模样认真的去查看他们的文档，于是修改添加一行代码：

File imageFile = new File("d:\\123.png");
ITesseract instance = Tesseract.getInstance() ;

instance.setLanguage("chi_sim");//设置识别语言
String result = instance.doOCR(imageFile);

设置之后的的识别结果如下：



好歹算是识别出来了，识别率再继续研究下文档，看看如何提高识别率，再来更新文档.