目录
一、安装环境
二、安装内容
三、安装过程及识别测试
[1. 安装过程](#1. 安装过程)
[2. 程序编写](#2. 程序编写)
总结
[1. 安装复杂度较低](#1. 安装复杂度较低)
[2. 国外开源Ocr](#2. 国外开源Ocr)
[3. 可设置识别参数](#3. 可设置识别参数)
[4. 工具类](#4. 工具类)
一、 系统环境windows 10
二、安装内容
Tesseract exe 程序安装
exe程序下载地址, 可选择版本安装>> |
shell
# 我们这里安装的版本是
tesseract-ocr-w64-setup-5.3.1.20230401.exe
三、安装过程及识别测试
1. 安装过程
- 安装后的目录结构
默认安装在C盘。可选择路径。傻瓜式安装就可以
- 添加环境变量
TESSDATA_PREFIX=<安装的tessoract-ocr.exe后文件夹根路径>/tessdata
2. 程序编写
-
使用Tesseract进行识别程序的编写
目前使用TesseractOcr已经更换为 PaddleOcr 了。源于TesseractOcr对背景模糊的图片识别率不高,使用PaddleOcr后识别率有明显提高。
不过使用PaddleOcr识别过程会将图片进行预处理(图片放大和模糊处理再使用paddleocr识别效果更佳:后期会做记录并将链接加到此处)
-
使用java程序进行识别需要引用 mvn 第三方依赖
xml<!--ocr图像识别--> <dependency> <groupId>net.sourceforge.tess4j</groupId> <artifactId>tess4j</artifactId> <version>5.3.0</version> </dependency>
-
单元测试用例+执行结果
下方代码中对上方图片进行识别(图片名称:new33.jpg)
java@Test public void readImageByOcr() throws TesseractException { String imgSrc = "C:\\...\\changepic\\new33.jpg"; File imgFile = new File(imgSrc); //创建tesseract对象 Tesseract tes = new Tesseract(); //语言包位置 根据实际环境修改替换 tes.setDatapath("E:\\...\\Tesseract-OCR\\tessdata"); //配置使用的语言 中文 tes.setLanguage("eng"); String imgText = tes.doOCR(imgFile); System.out.println("解析结果:" + imgText); }
执行后
-
业务代码示例
结合业务代码使用TesseractOcr。TesseractOcr使用时可传入不通参数。如language, variable等。
tessedit_char_whitelist:设置白名单。下方demo限制内容为只能识别数字和字母
java/** * ocr识别 * @param img * @param dataPath * @param replacedEmp 是否替换回车和空格为空, true:替换, false, 不替换(含回车和空格符) * @param dpi 分辨率, 默认 96 * @param charNoLimit 识别空格: true, 不识别空格: false * @return * @throws TesseractException */ private static String doOcrImpl(BufferedImage img, String dataPath, boolean replacedEmp, String dpi, boolean charNoLimit) throws TesseractException { // 初始化 OCR 引擎 Tesseract tesseract = new Tesseract(); File tessDataFolder = LoadLibs.extractTessResources("tessdata"); tesseract.setDatapath(tessDataFolder.getAbsolutePath()); //语言包位置 根据实际环境修改替换 tesseract.setDatapath(dataPath); //配置使用的语言 中文 tesseract.setLanguage("eng"); if(!charNoLimit) { //限制只识别数字字母 tesseract.setVariable("tessedit_char_whitelist", "0123456789CDFGMRTX"); } //设置分辨率 tesseract.setVariable("user_defined_dpi", dpi); String result = tesseract.doOCR(img); if(replacedEmp) { // 文字识别-过滤空白、换行符 result = result.replace(StrUtil.SPACE, StrUtil.EMPTY).replace(StrUtil.LF, StrUtil.EMPTY); } return result; }
总结
- 安装复杂度较低。
相比于paddleocr的安装要简单的多(需要安装python环境及下载paddleocr相关内容)。paddleocr安装借鉴 gitee paddleocr开源代码>> | - 属于国外开源Ocr。
- 可设置识别参数。可设置变量与识别语言。
- 使用Ocr时用到的工具类。可自行测试
java
package util;
import cn.hutool.core.util.StrUtil;
import common.aspect.core.StringUtils;
import common.exception.CustomException;
import PO.RecognizeTemplate;
import service.PrintDcmOcrRecognizeService;
import lombok.extern.slf4j.Slf4j;
import net.sourceforge.tess4j.Tesseract;
import net.sourceforge.tess4j.TesseractException;
import net.sourceforge.tess4j.util.LoadLibs;
import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.rendering.PDFRenderer;
import org.springframework.beans.factory.annotation.Value;
import javax.imageio.ImageIO;
import javax.imageio.ImageReader;
import javax.imageio.stream.ImageInputStream;
import java.awt.*;
import java.awt.image.BufferedImage;
import java.awt.image.RasterFormatException;
import java.io.File;
import java.io.IOException;
import java.lang.reflect.Method;
import java.util.HashMap;
import java.util.Map;
@Slf4j
public class ReadTextFromFileRegion {
/**
* @Description: ocr按区域识别文件
**/
public static String doRecognize(File file, Rectangle rectangle, String dataPath, String formateName, String dpi)
throws Exception {
if (!file.exists()) {
throw new CustomException(0, "待识别文件不存在");
}
// OCR 文字识别
return doOcr(createImg(file, rectangle, formateName), dataPath, dpi);
}
/**
* file: 图片文件
* rectangle: 图片中需要识别的区域。如new Rectangle(x, y, w, h), 坐标及宽高
* dataPath: tessData的路径(文章开头已添加到环境变量,也可传入)
* formateName: file文件的格式。如 JPG, PNG, DICOM等,
* dpi: tesseractOcr识别时传入的参数。如:tesseract.setVariable("user_defined_dpi", dpi);
*/
public static String doRecognizeOrcOriginResult(File file, Rectangle rectangle, String dataPath, String formateName, String dpi)
throws Exception {
if (!file.exists()) {
throw new CustomException(0, "待识别文件不存在");
}
// OCR 文字识别
return doOcrImpl(createImg(file, rectangle, formateName), dataPath, false, dpi, true);
}
/**
* 截取的图像缓冲区
*/
private static BufferedImage createImg(File file, Rectangle rectangle, String formateName) throws Exception {
BufferedImage img = readFile(file, rectangle, formateName);
if(img == null) {
log.warn("读取图像异常: img == null");
throw new Exception("文件读取异常, 创建img为空.");
}
return img;
}
/**
* @Description: 把文件转为BufferedImage对象,并截取指定区域
**/
private static BufferedImage readFile(File file, Rectangle region, String formateName) throws IOException {
ImageInputStream iis = null;
ImageReader reader = null;
try {
// 创建 ImageInputStream 对象
iis = ImageIO.createImageInputStream(file);
// 获取 指定 文件的 ImageReader 实例
reader = ImageIO.getImageReadersByFormatName(formateName).next();
// 设置解码器
reader.setInput(iis);
// 如果需要截取图像,获取完整的BufferedImage,然后截取指定区域
BufferedImage image = reader.read(0);
BufferedImage subImage = null;
try{
subImage = image.getSubimage(region.x, region.y, region.width, region.height);
}catch (RasterFormatException e) {
log.warn("截取图像异常: 识别区域超出边界. err.msg: {}", e.toString());
return subImage;
}
// 释放完整的BufferedImage
image.flush();
return subImage;
} finally {
// 关闭资源
if (reader != null) {
reader.dispose();
}
if (iis != null) {
iis.close();
}
}
}
/**
* @Description: ocr按区域识别pdf文件
**/
public static String doPdfRecognize(File pdfFile, String dataPath) throws Exception {
BufferedImage img = readPdfToImage(pdfFile);
// 按自定义区域截取图像
BufferedImage subImage = img.getSubimage(460, 170, 320, 100);
// OCR 文字识别
return doOcr(subImage, dataPath, "120");
}
/**
* @Description: 把pdf转为图像,renderImageWithDPI方法的第二个参数dpi影响图像分辨率,经测试dpi为300,生成2k分辨率的图像
**/
private static BufferedImage readPdfToImage(File pdfFile) throws IOException {
try (PDDocument document = PDDocument.load(pdfFile)) {
PDFRenderer renderer = new PDFRenderer(document);
return renderer.renderImageWithDPI(0, 300);
}
}
/**
* @Description: 使用Tesseract进行ocr识别
**/
private static String doOcr(BufferedImage img, String dataPath, String dpi) throws TesseractException {
return doOcrImpl(img, dataPath, true, dpi, false);
}
/**
* ocr识别
* @param img
* dataPath: tessData的路径(文章开头已添加到环境变量,也可传入)
* @param replacedEmp 是否替换回车和空格为空, true:替换, false, 不替换(含回车和空格符)
* @param dpi 分辨率, 默认 96
* @param charNoLimit 识别空格: true, 不识别空格: false
* @return
* @throws TesseractException
*/
private static String doOcrImpl(BufferedImage img, String dataPath, boolean replacedEmp, String dpi, boolean charNoLimit) throws TesseractException {
// 初始化 OCR 引擎
Tesseract tesseract = new Tesseract();
File tessDataFolder = LoadLibs.extractTessResources("tessdata");
tesseract.setDatapath(tessDataFolder.getAbsolutePath());
//语言包位置 根据实际环境修改替换
tesseract.setDatapath(dataPath);
//配置使用的语言 中文
tesseract.setLanguage("eng");
if(!charNoLimit) {
//限制只识别数字字母
tesseract.setVariable("tessedit_char_whitelist", "0123456789CDFGMRTX");
}
//设置分辨率
tesseract.setVariable("user_defined_dpi", dpi);
String result = tesseract.doOCR(img);
if(replacedEmp) {
// 文字识别-过滤空白、换行符
result = result.replace(StrUtil.SPACE, StrUtil.EMPTY).replace(StrUtil.LF, StrUtil.EMPTY);
}
return result;
}
}