想学习下识别图片中的文字，找到了Tess4j图文识别的方式，于是就初步探究下，玩下识别验证码。

 

第一步，下载

1、以3.4.2版本为例，下载Tess4j-3.4.2-src.zip。

2、下载中文字库，chi_sim.traineddata。

 

下载Tess4j参考：

http://sourceforge.net/projects/tess4j/

字库下载参考：

https://github.com/tesseract-ocr/tessdata/tree/3.04.00

api文档参考：

http://tess4j.sourceforge.net/docs/docs-3.4/

 

第二步，准备工作

1、解压Tess4J-3.4.2-src.zip。

2、把根目录的lib和dist相关jar拷贝到你的项目lib中。

3、再把tessdata目录拷贝到你的项目根目录中。

4、再把中文字库放入tessdata目录。

5、dll不用理，Tess4j.jar已经包含。

6、如果遇到异常，Error: Invalid memory access，Error opening data file ./tessdata/eng.traineddata说明tessdata路径不对。

 

压缩包目录：

 

如果是使用maven：

就在pom.xml加入即可。

<dependency>
    <groupId>net.sourceforge.tess4j</groupId>
    <artifactId>tess4j</artifactId>
    <version>3.4.2</version>
</dependency>

 

我的项目test for java结构：

 

Tess4j依赖jar参考：

commons-beanutils-1.9.2.jar

commons-io-2.6.jar

commons-logging-1.2.jar

ghost4j-1.0.1.jar

hamcrest-core-1.3.jar

itext-2.1.7.jar

jai-imageio-core-1.3.1.jar

jboss-vfs-3.2.12.Final.jar

jcl-over-slf4j-1.7.25.jar

jna-4.1.0.jar

jul-to-slf4j-1.7.25.jar

junit-4.12.jar

lept4j-1.6.2.jar

log4j-1.2.17.jar

log4j-over-slf4j-1.7.25.jar

logback-classic-1.2.3.jar

logback-core-1.2.3.jar

slf4j-api-1.7.25.jar

xmlgraphics-commons-1.5.jar

 

第三步，开发测试

官方简单例子：

package net.sourceforge.tess4j.example;
 
import java.io.File;
import net.sourceforge.tess4j.*;
 
public class TesseractExample {
    public static void main(String[] args) {
        File imageFile = new File("eurotext.tif");
        ITesseract instance = new Tesseract();  // JNA Interface Mapping
        // ITesseract instance = new Tesseract1(); // JNA Direct Mapping
 
        try {
            String result = instance.doOCR(imageFile);
            System.out.println(result);
        } catch (TesseractException e) {
            System.err.println(e.getMessage());
        }
    }
}

 

我的初探例子：

package com.weizhixi;
 
import net.sourceforge.tess4j.ITesseract;
import net.sourceforge.tess4j.Tesseract;
import net.sourceforge.tess4j.util.ImageHelper;
import javax.imageio.ImageIO;
import java.awt.image.BufferedImage;
import java.io.File;
 
public class Test {
 
    public static void main(String[] args) throws Exception{
        testEn();
        //testZh();
    }

 

//使用英文字库 - 识别图片

    public static void testEn() throws Exception {
        File imageFile = new File("C:/Users/XQ/Desktop/en.png");
        BufferedImage image = ImageIO.read(imageFile);
        //对图片进行处理
        image = convertImage(image);
        ITesseract instance = new Tesseract();//JNA Interface Mapping
        String result = instance.doOCR(image); //识别
        System.out.println(result);
    }

 

//使用中文字库 - 识别图片

    public static void testZh() throws Exception {
        File imageFile = new File("C:/Users/XQ/Desktop/zh.png");
        BufferedImage image = ImageIO.read(imageFile);
        //对图片进行处理
        //image = convertImage(image);
        ITesseract instance = new Tesseract();//JNA Interface Mapping
        instance.setLanguage("chi_sim");//使用中文字库
        String result = instance.doOCR(image); //识别
        System.out.println(result);
    }

 

    //对图片进行处理 - 提高识别度
    public static BufferedImage convertImage(BufferedImage image) throws Exception {
        //按指定宽高创建一个图像副本
        //image = ImageHelper.getSubImage(image, 0, 0, image.getWidth(), image.getHeight());
        //图像转换成灰度的简单方法 - 黑白处理
        image = ImageHelper.convertImageToGrayscale(image);
        //图像缩放 - 放大n倍图像
        image = ImageHelper.getScaledInstance(image, image.getWidth() * 3, image.getHeight() * 3);
        return image;
    }
 
}

 

处理倾斜图片：

如果图片字体倾斜的，可以用下面代码纠正

BufferedImage bi = ImageIO.read(imageFile);
ImageDeskew id = new ImageDeskew(bi);
double imageSkewAngle = id.getSkewAngle(); //获取倾斜角度
if ((imageSkewAngle > 0.05d || imageSkewAngle < -(0.05d))) {
    bi = ImageHelper.rotateImage(bi, -imageSkewAngle); //纠偏图像
}

 

测试1：

测试一张英文截图en.png。

 

未使用图像简单处理，运行读取图片文字：

 

发现有几次无法准确识别。

使用convertImage方法对图像简单处理，运行读取图片文字：

 

发现已经完全识别了。

 

测试2：

测试一张中文图片zh.png

 

用不用convertImage，测试结果都正常：

 

测试3：

来点复杂的图片：

 

来看看识别输出：

1、未使用图像处理

 

2、使用图像处理

 

发现识别度提高了很多，但部分还是未能够识别。

 

测试4：

识别干扰度比较低的简单验证码

 

识别结果：已经正确识别了。

 

经测试多张各种验证码，干扰度比较大的，扭曲字体的验证码不能识别。

 

关于训字库

训字库能提高中文字库的识别度。

需要下载中文字库：chi_sim.traindata

需要下载tesseract-ocr安装：tesseract-ocr-setup.exe

需要下载jTessBoxEditor用于修改box文件

至于怎么训字库，这里不展开说了。

 

初探总结

初探了一天，发现初级简单应用Tess4j：

1、只能识别几乎没有干扰，比较清晰的图片。

2、对图片灰度处理和放大处理，能提高识别度，但不是一定能起作用。

3、如果不准确的识别，可能要去训字库了，如测试识别图中的逗号，已经变成偏上的点了。

4、识别度受字体颜色、大小、清晰度、干扰度、扭曲、倾斜等度影响。

5、官方还提供了一些test例子，还有很多操作和应用。

初级应用只是简单的识别，能识别复杂度很大的图片文字，那是要很多牛B技术和逻辑的大神级操作。

如果想识别度很高很高几乎所有都能识别，又要快速集成、建议还是调用第三方识别API了，有些要收费的有些不用收费但有调用频次限制。

 

Demo下载

由于资源太大，我就不上传到我网站了。

请到我的网盘下载：

链接：https://pan.baidu.com/s/1dHje9pR

密码：z0bi

内含：

1、项目：基于maven_test4j例子项目.zip

2、官方Tess4j：Tess4J-3.4.2-src.zip

3、中文训字库：chi_sim.traineddata