OCR技术

OCR（Optical Character Recognition），光学字符识别的意思，也被称作文字识别。简单讲就是对图片文件中的文字进行识别和提取的过程。现实生活中使用的场景也非常多，比如文件扫描、车牌号识别、图片内容识别等。图像识别也是人工智能的一个重要领域。

Tess4J

Tesseract是一个开源的OCR引擎，Tess4J则是对Tesseract OCR API的Java JNA封装，使java能够通过调用Tess4J的API来使用Tesseract OCR。Tesseract OCR是支持Tess4J进文件文字识别的基础，Tess4J支持TIFF、JPEG、GIF、PNG、BMP、PDF等格式。Tess4J可直接使用Maven方式引入。

快速体验

环境信息
操作系统：Ubuntu 18.04.6 LTS
JDK：openjdk version "1.8.0_352"
Maven：Apache Maven 3.6.0

1、安装Tesseract
按照官方文档安装Tesseract，Ubuntu系统可以直接通过apt来安装。

sudo apt install tesseract-ocr
sudo apt install libtesseract-dev

2、新建maven工程，引入tess4j依赖。

<dependency>
    <groupId>net.sourceforge.tess4j</groupId>
    <artifactId>tess4j</artifactId>
    <version>5.4.0</version>
</dependency>

3、下载tess4j语言库，下载好后将tessdata文件夹拷贝到maven工程项目代码里，与src目录同级。

4、java调用tess4j实现图像识别，代码如下：

package org.cj.tess4j;

import net.sourceforge.tess4j.ITesseract;
import net.sourceforge.tess4j.Tesseract;
import net.sourceforge.tess4j.TesseractException;

import java.io.File;

public class Demo {
    public static void main(String[] args) throws TesseractException {
        ITesseract instance = new Tesseract();
        //指定语言训练模型数据的目录
        instance.setDatapath("tessdata");
        //指定语言种类, 中文是chi_sim
        instance.setLanguage("chi_sim");
        File imageFile = new File("images/tess4j/4ocr-1.png");
        long startTime = System.currentTimeMillis();
        String result = instance.doOCR(imageFile);
        System.out.println("识别结果:\n" + result + "\r\n耗时:\n" + (System.currentTimeMillis() - startTime) + "ms");
    }
}

5、运行预览
图片内容

识别结果

注意问题

1、运行的时候提示Unable to load library 'tesseract'
提示这个是因为没有安装tesseract，ubuntu环境执行sudo apt install tesseract-ocr安装。

2、运行的时候提示read_params_file: parameter not found: enable_new_segsearch
这里下载的训练数据包是有问题的，在这重新下载tessdata训练数据包。

使用总结

1、Tesseract最大优势就是开箱即用，且拥有大量的语言训练数据。
2、识别的速度慢、耗时长。
3、识别的精度不是很高，甚至有时候会很低，此时就需要自己按需去训练数据包了。
4、依赖语言训练包，官方提供了三种训练数据包，分别是tessdata_fast、tessdata_best、tessdata，这三个训练数据包的差异如下，具体可到官网查阅，推荐使用tessdata_best数据包。