tesseract ocr

tesseract ocr是一款强大的光学字符识别软件，它能够将图像中的文字转换成可编辑或可搜索的文本。无论是扫描文档、照片或者屏幕截图，tesseract ocr都能快速准确地识别出其中的文字内容。它支持多种语言，并且具备自动分页和列识别功能，使得处理大量文字变得更加高效。无论是个人用户需要数字化纸质文件，还是企业需要文字识别和数据提取，tesseract ocr都是一个非常实用的工具。

使用指南

下载完后进行安装,默认情况下安装程序会给你配置系统环境变量,以指向安装目录（之后可以通过DOS界面在任意目录运行tesseract）。安装完成后目录如下:

附录:

tessdata 目录存放的是语言字库文件，和在命令行界面中可能用到的参数所对应的文件. 这个安装程序默认包含了英文字库。

使用Tessract-OCR引擎识别验证码

打开DOS界面，输入tesseract：

如果出现如上输出，表示安装正常。

我准备了一张验证码放在D盘根目录下，上图:

结果为:

附录:

Usage:tesseract imagename outputbase [-l lang] [-psm pagesegmode] [configfile...]

pagesegmode values are:

0 = Orientation and script detection (OSD) only.

1 = Automatic page segmentation with OSD.

2 = Automatic page segmentation, but no OSD, or OCR

3 = Fully automatic page segmentation, but no OSD. (Default)

4 = Assume a single column of text of variable sizes.

5 = Assume a single uniform block of vertically aligned text.

6 = Assume a single uniform block of text.

7 = Treat the image as a single text line.

8 = Treat the image as a single word.

9 = Treat the image as a single word in a circle.

10 = Treat the image as a single character.

-l lang and/or -psm pagesegmode must occur before anyconfigfile.

tesseract imagename outputbase [-l lang] [-psm pagesegmode] [configfile...]

tesseract 图片名 输出文件名 -l 字库文件 -psm pagesegmode 配置文件

例如：

tesseract code.jpg result -l chi_sim -psm 7 nobatch

-l chi_sim 表示用简体中文字库（需要下载中文字库文件，解压后，存放到tessdata目录下去,字库文件扩展名为 .raineddata 简体中文字库文件名为: chi_sim.traineddata）

-psm 7 表示告诉tesseract code.jpg图片是一行文本 这个参数可以减少识别错误率. 默认为 3

configfile 参数值为tessdata\configs 和 tessdata\tessconfigs 目录下的文件名

软件性能

tesseract ocr官方版支持进行各类图片的ocr识别，可以读取各种格式的图像并将它们转换成超过60种语言的文本。可以读取各种格式的图像并将它们转换成超过60种语言的文本。2005年，Tesseract由美国内华达州信息技术研究所获得，并求诸于Google对Tesseract进行改进、消除Bug、优化工作。我们可以使用它制作拥有验证码识别、身份证识别、图像转文字等功能的软件。

软件特色

1、这里使用的版本为Tesseract3.02。直接点击上面的链接，下载windows下的安装文件tesseract-ocr-setup-3.02.02.exe。安装tesseract-ocr-setup-3.02.02.exe。安装成功后会在相应磁盘上生成一个Tesseract-OCR目录。如图我是安装到了如下位置安装完成打开命令行，输入tesseract，展现如下图说明已经安装成功

2、当前3.02 版本支持包括英文,简体中文,繁体中文,支持Windows,Linux,Mac OSX 多平台。使用中Tesseract 的识别率非常高

3、安装目录下的tessdata目录存放的是语言识别包，如果想增加中文识别功能，可以将中文的语言库放到此目录下，下载后将解压出的chi_sim.traineddata放到此目录下。然后调用的时候指明语言库即可，例如：tesseract xxx.jpg result -l chi_sim照样

4、可以看到，识别率并不是十分令人满意。而且这边使用的例子都是十分正规的字体。如果遇到验证码那种不规则的字体，识别率也会大打折扣的，当然可以参考网上的相关资料进行对Tesseract字符识别进行样本训练，通过使用训练后的语言库会提高识别精度。这里就不做演示了

问答解答

那如何使用java程序调用相应的tesseract进行操作呢？

这里介绍2种方式

一种是使用cmd方式，另外一种就是使用tess4j。tess4j的源码地址 http://sourceforge.jp/projects/sfnet_tess4j/ 中文首页

感兴趣的自己下载查看源代码。

由于范例代码较多就不一一贴出来了，会在文章结尾提供一个下载链接，大概讲下结构，

如上图，tess4j包下是使用tess4j调用tesseract，src下的dll文件是需要使用到的。加载的语言库文件也要放到tessdata目录下。而cmd 包下是使用cmd方式调用的范例，额外需要swingx-1.6.1.jar，调用时直接配置使用的安装的路径，并配置语言库即可。

代码下载地址，由于附带了data文件，jar包等，会比较大，接近50M。导入到工程即可。各个包下都有测试的Test类，直接右键就可以运行。前提是对应目录下有相应图片。

在cmd包下ClearImageHelper这个类是对图片进行处理的类，比如灰度转换，二值化，缩放等等，对于复杂图片可以先进行处理，来提高图片识别率。而tess4j下也封装了图片处理的工具类，基本都包含这些功能，例子中也给出了部分样例。

Bty，话说使用原生态识别调用，跟tess4j得到的结果还是有所差别的。