基于Tesseract实现图片文字识别

一.简介

　　 Tesseract是一个开源的文本识别【OCR】引擎，可通过Apache 2.0许可获得。它可以直接使用，或者使用API从图像中提取打印的文本，支持多种语言。该软件包包含一个ORC引擎【libtesseract】和一个命令行程序【tesseract】。Tesseract4添加了一个新的基于LSTM的OCR引擎，该引擎专注于行识别，但仍支持Tesseract 3的传统Tesseract OCR引擎，该引擎通过识别字符模式进行工作。通过使用传统OCR引擎模式【--oem 0】，可以与Tesseract 3兼容。它还需要训练好的数据文件对旧引擎进行支持，例如tessdata目录下的数据文件。

　　特点：

　　　　1.具有Unicode【UTF-8】支持，并且可以“开箱即用”地识别100多种语言。

　　　　2.支持各种输出格式，纯文本，hOCR【HTML】，PDF，仅不可见文本的PDF，TSV。Master分支还对ALTO【XML】输出提供实验性支持。

　　　　3.在许多情况下，要想获得更好的OCR结果，需要提高提供给Tesseract的图像的质量。

二.在python环境中安装pytesseract

　　

　　安装成功！

三.在Windows系统下安装Tesseract

　　

　　配置环境变量：

　　

　　备注：最新的为4.1.0，建议安装4.x版本，根据一可知，版本4有重大升级，系统性能显著提升，特别是在对中文的识别上更是明显！

四.python代码实现　

 # -*- coding: utf-8 -*-
 """
 Spyder Editor

 This is a temporary script file.
 """

 import  pytesseract
 from PIL import Image

 #打开验证码图片
 image = Image.open('E:\\testData\\tess\\1.png')
 #加载一下图片防止报错，此处可以省略
 #image.load()
 #调用show来展示图片，调试用此处可以省略
 #image.show()
 text = pytesseract.image_to_string(image,lang='chi_sim')
 print(text)

五.Python环境执行结果【无数据清洗】　

20
a
志
口
吴
吊
5
达
吊
园

康 阮 随 阮 随 随 阮 隆 随 阮 阮 庞
应 阮 院 阮 阮 际 阮 阮 院 院 阮 庞

宇
B
B
B
B
B
B
B
B
B
B
E

胡
胡
胡
胡
胡
胡
胡
胡
胡
胡
脱 医

剧 澈 剖 剖 亨 亨 定 亨 宣 河

宇
B
B
B
B
E
E
E
E
E
E
振

产 莲

主
主
主
主
主
主
主
主
主
主
生 交

E
E
E
E
E
E
E
E
E
E
E35653

职
职
职
职
职
职
职
职
职
职
E

E
E
E
E
E
E
E
E
E
E
093

　　部分示例：
　　

　　可知对中文的识别一塌糊涂，因此建议还是使用版本4进行识别！

　　

六.使用Java程序调用ImageIO进行数据预处理　

 package zhen;
 import java.awt.Color;
 import java.awt.image.BufferedImage;
 import java.io.File;
 import java.io.FileInputStream;
 import java.io.IOException;

 import javax.imageio.ImageIO;

 public class LineMark{
     public static void clean(String fromPath,String toPath) throws IOException{
         File file1 = new File(fromPath);
         BufferedImage image = ImageIO.read(file1);

         BufferedImage sourceImg =ImageIO.read(new FileInputStream(file1));  // 获取图片的长宽
         int width = sourceImg.getWidth();
         int height = sourceImg.getHeight();

         /**
          * 创建3维数组用于保存图片rgb数据
          */
         int[][][] array = new int[width][height][3];
         for(int i=0;i<width;i++){ // 获取图片中所有像素点的rgb
             for(int j=0;j<height;j++){
                 int pixel = image.getRGB(i, j); //获得坐标(i,j)的像素
                 int red = (pixel & 0xff0000) >> 16;
                 int green = (pixel & 0xff00) >> 8;
                 int blue = (pixel & 0xff);  //通过坐标(i,j)的像素值获得r,g,b的值  
                 array[i][j][0] = red;
                 array[i][j][1] = green;
                 array[i][j][2] = blue;
             }
         }

         /**
          * 清除表格线：
          * 竖线：绝大多数点的x值都为255
          */
         for(int i=0;i<width;i++){
             int nums = 0;
             for(int j=0;j<height;j++){
                 if(array[i][j][0]<128 && array[i][j][1]<128 && array[i][j][2]<128){
                     nums += 1;
                 }
             }
             if(nums > height * 0.8){
                 for(int n=0;n<height;n++){
                     array[i][n][0] = 255;
                     array[i][n][1] = 255;
                     array[i][n][2] = 255;
                 }
             }
         }
         /**
          * 清除表格线：
          *     横线：绝大多数点的y值都为255
          */
         for(int j=0;j<height;j++){
             int nums = 0;
             for(int i=0;i<width;i++){
                 if(array[i][j][0]<128 && array[i][j][1]<128 && array[i][j][2]<128){
                     nums += 1;
                 }
             }
             if(nums > height * 0.8){
                 for(int n=0;n<width;n++){
                     array[n][j][0] = 255;
                     array[n][j][1] = 255;
                     array[n][j][2] = 255;
                 }
             }
         }
         /**
          * 大点
          */
         for(int i=0;i<width;i++){
             for(int j=0;j<height;j++){
                 int cover = new Color(array[i][j][0],array[i][j][1],array[i][j][2]).getRGB();
                 image.setRGB(i,j,cover);
             }
         }
         File file2 = new File(toPath);
         ImageIO.write(image, "png", file2);
     }

     /**
      * 测试
      * @param args
      */
     public static void main(String[] args){
         String fromPath = "E:\\testData\\tess\\111.png";
         String toPath = "E:\\testData\\tess\\112.png";
         try {
             LineMark.clean(fromPath,toPath);
         } catch (IOException e) {
             e.printStackTrace();
         }
     }
 }

七.执行结果

　　处理之前：

　　　　

　　处理之后：

　　　　

　　

八.使用Tesseract 4 API进行文字识别

 package zhen;
 import java.awt.Rectangle;
 import java.awt.image.BufferedImage;
 import java.io.File;
 import java.io.FileInputStream;
 import java.io.FileOutputStream;
 import java.io.IOException;
 import javax.imageio.ImageIO;
 import net.sourceforge.tess4j.*;
 import org.apache.poi.xssf.usermodel.*;

 public class RP {
     private String a0="";

         public void toExcel(int i,XSSFWorkbook wb,XSSFSheet sheet,int len)  //将文字信息做成表格
         {
             for(int j=0;j<len;j++){
                 String[] array = this.a0.split("\n"); // 分行
                 for(int k=0;k<array.length;k++){
                     XSSFRow row = sheet.createRow(k);  // 创建一行
                     String[] array2 = array[k].split(" ");
                     for(int m=0;m<array2.length;m++){
                         row.createCell(m).setCellValue(array2[m]);
                     }
                 }
             }
         }
     public static void main(String[] args) throws IOException {
         RP rp = new RP();
         int num = 1;

         File root = new File("E:\\testData\\tess2");//存放处理后的图片，imgs文件夹
         File res = new File("E:\\testData\\tess");//源图片位置，res文件夹下

         ITesseract instance = new Tesseract();
         instance.setLanguage("chi_sim");              //使用训练好中文字库识别

         XSSFWorkbook wb = new XSSFWorkbook();
         XSSFSheet sheet = wb.createSheet("信息汇总");
         try {
             File[] ress = res.listFiles();
             int i=0;
             for(File file : ress){
                 i++;
                 LineMark.clean(file.getAbsolutePath(),"E:\\testData\\tess2\\"+i+".png");
             }        //去除源图片表格线，处理后的图片放到img文件夹

             File[] files = root.listFiles();
             for (File file : files) { //对去除水印后的图片逐个处理
                 BufferedImage sourceImg =ImageIO.read(new FileInputStream(file));  // 获取图片的长宽
                 int width = sourceImg.getWidth();
                 int height = sourceImg.getHeight();
                 Rectangle ret = new Rectangle(0,0,width,height); //识别全部数据

                 String result = instance.doOCR(file, ret);  //开始采用doOCR(file)效率很低，因为图片内容太多
                 int len = 0;
                 if(result != null){
                     len = result.split(" ").length;
                     rp.a0 = result;
                 }
                 System.out.print(result);
                 rp.toExcel(num,wb,sheet,len);      //调用toExcel函数，将提取到的信息写入
                 num++;
             }
         } catch (TesseractException e) {
             System.err.println(e.getMessage());
         }

          try {
                 FileOutputStream fout = new FileOutputStream("D:\\software\\company.xlsx");
                 wb.write(fout);
                 fout.close();
             } catch (IOException e) {
                 e.printStackTrace();
             }                 //把写好信息的表输出
     }

 }

九.不数据清洗执行结果

　　

十.数据清洗执行结果

　　

　　经过对比可以明显看出，表格线对识别的影响很大【其它形式的干扰也同样如此，例如：验证码上的干扰线、图案等】，因此，数据清洗必不可少！

　　

十一.分析

　　从上面的执行结果可知，在使用Tesseract 4时，在数据尽可能的清晰的情况下，大部分汉字还是能识别出来的，只是在【数字0】和【标点符号。】，【英语g】和【数字9】等外形相识的地方识别不清楚！当然，模型还有提升的空间，下一步将提升对存在格式倾斜或拍照的图片进行识别的能力！