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




5


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









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









生 交 E
E
E
E
E
E
E
E
E
E
E35653 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!

基于Tesseract实现图片文字识别的更多相关文章

  1. Python识别验证码,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[li ...

  2. 基于Python37配置图片文字识别

    以管理员权限打开cmd控制台. 1.如何安装PIL 输入下面命令:pip install Pillow 参考:https://www.cnblogs.com/mrgavin/p/8177841.htm ...

  3. 基于Tesseract组件的OCR识别

    基于Tesseract组件的OCR识别 背景以及介绍 欲研究C#端如何进行图像的基本OCR识别,找到一款开源的OCR识别组件.该组件当前已经已经升级到了4.0版本.和传统的版本(3.x)比,4.0时代 ...

  4. 【图片识别】java 图片文字识别 ocr (转)

    http://www.cnblogs.com/inkflower/p/6642264.html 最近在开发的时候需要识别图片中的一些文字,网上找了相关资料之后,发现google有一个离线的工具,以下为 ...

  5. java 图片文字识别 ocr

    最近在开发的时候需要识别图片中的一些文字,网上找了相关资料之后,发现google有一个离线的工具,以下为java使用的demo 在此之前,使用这个工具需要在本地安装OCR工具: 下面一个是一定要安装的 ...

  6. JAVA的图片文字识别技术

    从2013年的记录看,JAVA中图片文字识别技术大部分采用ORC的tesseract的软件功能,后来渐渐开放了java-api调用接口. 图片文字识别技术,还是采用训练的方法.并未从根本上解决图片与文 ...

  7. 小试Office OneNote 2010的图片文字识别功能(OCR)

    原文:小试Office OneNote 2010的图片文字识别功能(OCR) 自Office 2003以来,OneNote就成为了我电脑中必不可少的软件,它集各种创新功能于一身,可方便的记录下各种类型 ...

  8. 一篇文章搞定百度OCR图片文字识别API

    一篇文章搞定百度OCR图片文字识别API https://www.jianshu.com/p/7905d3b12104

  9. python3 图片文字识别

    最近用到了图片文字识别这个功能,从网上搜查了一下,决定利用百度的文字识别接口.通过测试发现文字识别率还可以.下面就测试过程简要说明一下 1.注册用户 链接:https://login.bce.baid ...

随机推荐

  1. MSSQL 打开xp_cmdshell

    sp_configure reconfigure go sp_configure reconfigure go

  2. vs2019 scanf 解决 C4996问题

    1. 首先选择项目 2. 然后选择最下面那行的 工程属性, 其后于此处 3. 添加上 :_CRT_SECURE_NO_WARNINGS 最后保存,使用 scanf 读取即无报错了

  3. TCP/IP详解,卷1:协议--RARP:逆地址解析协议

    引言 具有本地磁盘的系统引导时,一般是从磁盘上的配置文件中读取 I P地址.但是无盘机, 如X终端或无盘工作站,则需要采用其他方法来获得 I P地址. 网络上的每个系统都具有唯一的硬件地址,它是由网络 ...

  4. axios中then不用第二个参数,最好用catch

    一般来说,不要在then方法里面定义 Reject 状态的回调函数(即then的第二个参数),总是使用catch方法. // bad promise .then(function(data) { // ...

  5. IE的css hack

    #element { color:orange; } #element { *color: white; } /* IE6+7, doesn’t work in IE8/9 as IE7 */ #el ...

  6. 画图软件gliffy

    网上的资源真是海量丫: https://segmentfault.com/q/1010000000310976 gliffy软件在线网址:https://chrome.google.com/webst ...

  7. C++ - cpprestsdk

    Windows 安装方法: CMake 1.32+,生成过程会将 vcpkg 下载好,配置到系统环境变量,然后用 vcpkg 安装依赖库(github 上有列出需要的依赖库). Github 上的示例 ...

  8. STL顺序容器用法自我总结

    顺序容器类型:vector.deque.list.forward_list.string.array. queue(单向队列)底层也是用deque(双端队列)实现的 a.swap(b); swap(a ...

  9. Blocked Billboard II

    前言 今天比赛真的状态不好(腐了一小会),导致差点爆0. 这个题解真的是在非常非常专注下写出来的,要不然真的心态崩. 刚换了域名,发现了美化脚本的bug,有点担心(汗-_-||). 题目 题目描述 奶 ...

  10. 实现手写体 mnist 数据集的识别任务

    实现手写体 mnist 数据集的识别任务,共分为三个模块文件,分别是描述网络结构的前向传播过程文件(mnist_forward.py). 描述网络参数优化方法的反向传播 过 程 文件 ( mnist_ ...