Java使用OCR技术识别图形图像文本信息
OCR技术
OCR技术是光学字符识别的缩写(Optical Character Recognition)，利用文字识别技术将图像信息转化为文本信息。应用于银行票据、大量文字资料、档案卷宗、文案的录入和处理领域，例如：自动识别身份证号码，将AI引入审核场景，与风控规则相结合，减少人为对图片的审核，大大提高审核效率。
OCR开发包
由于图像技术门槛较高，特别是中文语言库需要大量的训练才能达到较高的识别率。目前很多OCR软件，一般都是借用大公司的API接口实现的，如百度OCR接口。在线接口识别率比较高，但受限于网络和调用次数，有些场景须考虑离线使用。
开源的OCR识别框架 Tesseract-OCR (https://github.com/tesseract-ocr )，由HP实验室开发，后由Google维护的开源OCR引擎，可以不断的训练语言库，使图像转换文本的能力不断增强。 SDK包含libtesseract、命令行程序，支持跨平台开发，支持Java，Python等语言调用，建议选择4.0以后版本，准确率有较大提升，需要识别中文信息可单独添加中文词库。
Tess4J是Java对libtesseract包装，这里使用Tess4J识别图片信息。
引入Tess4j开发包
|
1 2 3 4 5 |
<dependency> <groupId>net.sourceforge.tess4j</groupId> <artifactId>tess4j</artifactId> <version>4.5.1</version> </dependency> |
Java代码
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 |
/** * 根据图片文件进行识别 * * @param imageFile 图片文件 * @param lang 指定语言库 * @return 识别文本信息 */ public static String doOCRFromFile(File imageFile,String lang) throws Exception { ITesseract instance = new Tesseract(); instance.setDatapath(DATA_PATH); //指定语言库目录 instance.setTessVariable("user_defined_dpi", "300"); instance.setLanguage(lang); String result = instance.doOCR(imageFile); return result; } |
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 |
/** * main method */ public static void main(String[] args) { //SpringApplication.run(OxOcrApp.class, args); //测试不用启用springboot System.out.println("OxOcrApp 已启动"); try { //设置训练库的位置 OCRUtils.DATA_PATH=System.getProperty("user.dir")+"/config"; OCRUtils.DEFAULT_LANG="eng"; //eng ：英文 chi_sim ：简体中文 String ocrText = OCRUtils.doOCRFromFile(new File("d:/temp/java.jpg")); //指定要识别的图片文件 System.out.println("识别文本信息："+ocrText); //OCR识别结果：图像转文本 //testCapture(); } catch (Exception e) { e.printStackTrace(); } } |
识别效果
图片：
image
识别结果：
image
作者：oxings
链接：https://www.jianshu.com/p/c2ddd2e411af
来源：简书
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。