基於Tesseract實現圖片文字識別
阿新 • • 發佈：2019-12-27
一.簡介
Tesseract是一個開源的文字識別【OCR】引擎，可通過Apache 2.0許可獲得。它可以直接使用，或者使用API從影象中提取列印的文字，支援多種語言。該軟體包包含一個ORC引擎【libtesseract】和一個命令列程式【tesseract】。Tesseract4添加了一個新的基於LSTM的OCR引擎，該引擎專注於行識別，但仍支援Tesseract 3的傳統Tesseract OCR引擎，該引擎通過識別字符模式進行工作。通過使用傳統OCR引擎模式【--oem 0】，可以與Tesseract 3相容。它還需要訓練好的資料檔案對舊引擎進行支援，例如tessdata目錄下的資料檔案。
特點：
1.具有Unicode【UTF-8】支援，並且可以“開箱即用”地識別100多種語言。
2.支援各種輸出格式，純文字，hOCR【HTML】，PDF，僅不可見文字的PDF，TSV。Master分支還對ALTO【XML】輸出提供實驗性支援。
3.在許多情況下，要想獲得更好的OCR結果，需要提高提供給Tesseract的影象的質量。
二.在python環境中安裝pytesseract
安裝成功！
三.在Windows系統下安裝Tesseract
配置環境變數：
備註：最新的為4.1.0，建議安裝4.x版本，根據一可知，版本4有重大升級，系統性能顯著提升，特別是在對中文的識別上更是明顯！
四.python程式碼實現
1 # -*- coding: utf-8 -*-
2 """
3 Spyder Editor
4
5 This is a temporary script file.
6 """
7
8 import pytesseract
9 from PIL import Image
10
11 #開啟驗證碼圖片
12 image = Image.open('E:\\testData\\tess\\1.png')
13 #載入一下圖片防止報錯，此處可以省略
14 #image.load()
15 #呼叫show來展示圖片，除錯用此處可以省略
16 #image.show()
17 text = pytesseract.image_to_string(image,lang='chi_sim')
18 print(text)五.Python環境執行結果【無資料清洗】
20 a 志 口 吳 吊 5 達 吊 園 康 阮 隨 阮 隨 隨 阮 隆 隨 阮 阮 龐 應 阮 院 阮 阮 際 阮 阮 院 院 阮 龐 宇 B B B B B B B B B B E 胡 胡 胡 胡 胡 胡 胡 胡 胡 胡 脫 醫 劇 澈 剖 剖 亨 亨 定 亨 宣 河 宇 B B B B E E E E E E 振 產 蓮 主 主 主 主 主 主 主 主 主 主 生 交 E E E E E E E E E E E35653 職 職 職 職 職 職 職 職 職 職 E E E E E E E E E E E 093View Code
部分示例：
可知對中文的識別一塌糊塗，因此建議還是使用版本4進行識別！
六.使用Java程式呼叫ImageIO進行資料預處理
1 package zhen;
2 import java.awt.Color;
3 import java.awt.image.BufferedImage;
4 import java.io.File;
5 import java.io.FileInputStream;
6 import java.io.IOException;
7
8 import javax.imageio.ImageIO;
9
10
11 public class LineMark{
12 public static void clean(String fromPath,String toPath) throws IOException{
13 File file1 = new File(fromPath);
14 BufferedImage image = ImageIO.read(file1);
15
16 BufferedImage sourceImg =ImageIO.read(new FileInputStream(file1)); // 獲取圖片的長寬
17 int width = sourceImg.getWidth();
18 int height = sourceImg.getHeight();
19
20 /**
21 * 建立3維陣列用於儲存圖片rgb資料
22 */
23 int[][][] array = new int[width][height][3];
24 for(int i=0;i<width;i++){ // 獲取圖片中所有畫素點的rgb
25 for(int j=0;j<height;j++){
26 int pixel = image.getRGB(i, j); //獲得座標(i,j)的畫素
27 int red = (pixel & 0xff0000) >> 16;
28 int green = (pixel & 0xff00) >> 8;
29 int blue = (pixel & 0xff); //通過座標(i,j)的畫素值獲得r,g,b的值
30 array[i][j][0] = red;
31 array[i][j][1] = green;
32 array[i][j][2] = blue;
33 }
34 }
35
36 /**
37 * 清除表格線：
38 * 豎線：絕大多數點的x值都為255
39 */
40 for(int i=0;i<width;i++){
41 int nums = 0;
42 for(int j=0;j<height;j++){
43 if(array[i][j][0]<128 && array[i][j][1]<128 && array[i][j][2]<128){
44 nums += 1;
45 }
46 }
47 if(nums > height * 0.8){
48 for(int n=0;n<height;n++){
49 array[i][n][0] = 255;
50 array[i][n][1] = 255;
51 array[i][n][2] = 255;
52 }
53 }
54 }
55 /**
56 * 清除表格線：
57 * 橫線：絕大多數點的y值都為255
58 */
59 for(int j=0;j<height;j++){
60 int nums = 0;
61 for(int i=0;i<width;i++){
62 if(array[i][j][0]<128 && array[i][j][1]<128 && array[i][j][2]<128){
63 nums += 1;
64 }
65 }
66 if(nums > height * 0.8){
67 for(int n=0;n<width;n++){
68 array[n][j][0] = 255;
69 array[n][j][1] = 255;
70 array[n][j][2] = 255;
71 }
72 }
73 }
74 /**
75 * 大點
76 */
77 for(int i=0;i<width;i++){
78 for(int j=0;j<height;j++){
79 int cover = new Color(array[i][j][0],array[i][j][1],array[i][j][2]).getRGB();
80 image.setRGB(i,j,cover);
81 }
82 }
83 File file2 = new File(toPath);
84 ImageIO.write(image, "png", file2);
85 }
86
87 /**
88 * 測試
89 * @param args
90 */
91 public static void main(String[] args){
92 String fromPath = "E:\\testData\\tess\\111.png";
93 String toPath = "E:\\testData\\tess\\112.png";
94 try {
95 LineMark.clean(fromPath,toPath);
96 } catch (IOException e) {
97 e.printStackTrace();
98 }
99 }
100 }
七.執行結果
處理之前：
處理之後：
八.使用Tesseract 4 API進行文字識別
1 package zhen;
2 import java.awt.Rectangle;
3 import java.awt.image.BufferedImage;
4 import java.io.File;
5 import java.io.FileInputStream;
6 import java.io.FileOutputStream;
7 import java.io.IOException;
8 import javax.imageio.ImageIO;
9 import net.sourceforge.tess4j.*;
10 import org.apache.poi.xssf.usermodel.*;
11
12 public class RP {
13 private String a0="";
14
15 public void toExcel(int i,XSSFWorkbook wb,XSSFSheet sheet,int len) //將文字資訊做成表格
16 {
17 for(int j=0;j<len;j++){
18 String[] array = this.a0.split("\n"); // 分行
19 for(int k=0;k<array.length;k++){
20 XSSFRow row = sheet.createRow(k); // 建立一行
21 String[] array2 = array[k].split(" ");
22 for(int m=0;m<array2.length;m++){
23 row.createCell(m).setCellValue(array2[m]);
24 }
25 }
26 }
27 }
28 public static void main(String[] args) throws IOException {
29 RP rp = new RP();
30 int num = 1;
31
32 File root = new File("E:\\testData\\tess2");//存放處理後的圖片，imgs資料夾
33 File res = new File("E:\\testData\\tess");//源圖片位置，res資料夾下
34
35 ITesseract instance = new Tesseract();
36 instance.setLanguage("chi_sim"); //使用訓練好中文字型檔識別
37
38 XSSFWorkbook wb = new XSSFWorkbook();
39 XSSFSheet sheet = wb.createSheet("資訊彙總");
40 try {
41 File[] ress = res.listFiles();
42 int i=0;
43 for(File file : ress){
44 i++;
45 LineMark.clean(file.getAbsolutePath(),"E:\\testData\\tess2\\"+i+".png");
46 } //去除源圖片表格線，處理後的圖片放到img資料夾
47
48 File[] files = root.listFiles();
49 for (File file : files) { //對去除水印後的圖片逐個處理
50 BufferedImage sourceImg =ImageIO.read(new FileInputStream(file)); // 獲取圖片的長寬
51 int width = sourceImg.getWidth();
52 int height = sourceImg.getHeight();
53 Rectangle ret = new Rectangle(0,0,width,height); //識別全部資料
54
55 String result = instance.doOCR(file, ret); //開始採用doOCR(file)效率很低，因為圖片內容太多
56 int len = 0;
57 if(result != null){
58 len = result.split(" ").length;
59 rp.a0 = result;
60 }
61 System.out.print(result);
62 rp.toExcel(num,wb,sheet,len); //呼叫toExcel函式，將提取到的資訊寫入
63 num++;
64 }
65 } catch (TesseractException e) {
66 System.err.println(e.getMessage());
67 }
68
69 try {
70 FileOutputStream fout = new FileOutputStream("D:\\software\\company.xlsx");
71 wb.write(fout);
72 fout.close();
73 } catch (IOException e) {
74 e.printStackTrace();
75 } //把寫好資訊的表輸出
76 }
77
78 }
九.不資料清洗執行結果
十.資料清洗執行結果
經過對比可以明顯看出，表格線對識別的影響很大【其它形式的干擾也同樣如此，例如：驗證碼上的干擾線、圖案等】，因此，資料清洗必不可少！
十一.分析
從上面的執行結果可知，在使用Tesseract 4時，在資料儘可能的清晰的情況下，大部分漢字還是能識別出來的，只是在【數字0】和【標點符號。】，【英語g】和【數字9】等外形相識的地方識別不清楚！當然，模型還有提升的空間，下一步將提升對存在格式傾斜或拍照的圖片進行識別的能