Java使用Tessdata做OCR圖片文字識別的詳細思路
說到文字識別，目前除瞭用一些現成的api，大概就是 tessdata、canvas或者 ocrad等。
1、百度接口用過（可以自己去百度開發者申請，免費的），識別率吧，還可以，但也不是百分百的，但是次數使用有限制，雖然也是夠用，但是被限制總是害怕超過不讓用。
2、canvas的話是需要對圖片做具體的處理，涉及到圖片的翻轉、置灰、文字間隔的設定等等，成功率很高，但是公司產品驗證碼是各式各樣的，沒辦法用這種方法處理，所以暫時放棄瞭。
3、ocrad這個目前用過其.js版本，識別率還是比較低的，具體使用後面會再寫一篇文章介紹一下的。
雖然，網上對於 Tessdata的技術介紹文章一搜一大片，但是其實小仙真正用起來的時候，還是費瞭點周折的。:fendou:
思路：截全圖–截取元素圖片–處理–識別–輸出
註意：圖片截取格式統一為.jpg，用png會出問題。
1、添加項目依賴
在項目的pom.xml文件中，添加以下依賴
<!--<tess4j圖片識別>--> <dependency> <groupId>net.java.dev.jna</groupId> <artifactId>jna</artifactId> <version>4.1.0</version> </dependency> <dependency> <groupId>net.sourceforge.tess4j</groupId> <artifactId>tess4j</artifactId> <version>2.0.1</version> <exclusions> <exclusion> <groupId>com.sun.jna</groupId> <artifactId>jna</artifactId> </exclusion> </exclusions> </dependency>
2、從全圖中截取元素圖片
// 元素截圖
public static String[] elementscreenShot(WebElement element )
throws Exception {
WrapsDriver wrapsDriver = (WrapsDriver) element;
long time = System.currentTimeMillis();
// 截圖整個頁面
File screen = ((TakesScreenshot) wrapsDriver.getWrappedDriver())
.getScreenshotAs(OutputType.FILE);
BufferedImage img = ImageIO.read(screen);
// 獲得元素的高度和寬度
int width = element.getSize().getWidth();
int height = element.getSize().getHeight();
// 創建一個矩形使用上面的高度，和寬度
Rectangle rect = new Rectangle(width, height);
// 得到元素的坐標
Point p = element.getLocation();
BufferedImage dest = img.getSubimage(p.getX(), p.getY(),
(int) rect.getWidth(), (int) rect.getHeight());
// 存為png格式
ImageIO.write(dest, "png", screen);
DateFormat dateFormat = new SimpleDateFormat("yyyyMMddhhmmss");
FileSystemView fsv = FileSystemView.getFileSystemView();
File com = fsv.getHomeDirectory(); // 這便是讀取桌面路徑的方法瞭
String url = com.getPath() + "/test";
File location = new File(url);
if (!location.exists()) {
location.mkdirs();
}
String imgPath = location.getAbsolutePath() + File.separator + "pic_"
+ time + ".jpg";
String cleanPath = location.getAbsolutePath();
//存瞭原圖片和清楚後圖片的地址
String[] imgpath = { imgPath, cleanPath };
File targetFile = new File(imgPath);
try {
FileUtils.copyFile(screen, targetFile);
} catch (IOException e1) {
e1.printStackTrace();
}
//元素圖片路徑
return imgpath;
}
3、對截取圖片進行處理：灰度化、二值化、去除幹擾線等
以下是圖像處理的類，其中對於去除幹擾線的操作還是慎用，可能會把文字也剔除掉。
public class CleanElementImage {
/**
*
* @param sfile
* 需要去噪的圖像
* @param destDir
* 去噪後的圖像保存地址
* @throws IOException
*/
public static void handlImage(File sfile, String destDir) throws IOException {
File destF = new File(destDir);
if (!destF.exists())
{
destF.mkdirs();
}
BufferedImage bufferedImage = ImageIO.read(sfile);
int h = bufferedImage.getHeight();
int w = bufferedImage.getWidth();
// 灰度化
int[][] gray = new int[w][h];
for (int x = 0; x < w; x++)
{
for (int y = 0; y < h; y++)
{
int argb = bufferedImage.getRGB(x, y);
// 圖像加亮（調整亮度識別率非常高）
int r = (int) (((argb >> 16) & 0xFF) * 1.1 + 30);
int g = (int) (((argb >> 8) & 0xFF) * 1.1 + 30);
int b = (int) (((argb >> 0) & 0xFF) * 1.1 + 30);
if (r >= 255)
{
r = 255;
}
if (g >= 255)
{
g = 255;
}
if (b >= 255)
{
b = 255;
}
gray[x][y] = (int) Math
.pow((Math.pow(r, 2.2) * 0.2973 + Math.pow(g, 2.2)
* 0.6274 + Math.pow(b, 2.2) * 0.0753), 1 / 2.2);
}
}
// 二值化
int threshold = ostu(gray, w, h);
BufferedImage binaryBufferedImage = new BufferedImage(w, h, BufferedImage.TYPE_BYTE_BINARY);
for (int x = 0; x < w; x++)
{
for (int y = 0; y < h; y++)
{
if (gray[x][y] > threshold)
{
gray[x][y] |= 0x00FFFF;
} else
{
gray[x][y] &= 0xFF0000;
}
binaryBufferedImage.setRGB(x, y, gray[x][y]);
}
}
//去除幹擾線條
// for(int y = 1; y < h-1; y++){
// for(int x = 1; x < w-1; x++){
// boolean flag = false ;
// if(isBlack(binaryBufferedImage.getRGB(x, y))){
// //左右均為空時，去掉此點
// if(isWhite(binaryBufferedImage.getRGB(x-1, y)) && isWhite(binaryBufferedImage.getRGB(x+1, y))){
// flag = true;
// }
// //上下均為空時，去掉此點
// if(isWhite(binaryBufferedImage.getRGB(x, y+1)) && isWhite(binaryBufferedImage.getRGB(x, y-1))){
// flag = true;
// }
// //斜上下為空時，去掉此點
// if(isWhite(binaryBufferedImage.getRGB(x-1, y+1)) && isWhite(binaryBufferedImage.getRGB(x+1, y-1))){
// flag = true;
// }
// if(isWhite(binaryBufferedImage.getRGB(x+1, y+1)) && isWhite(binaryBufferedImage.getRGB(x-1, y-1))){
// flag = true;
// }
// if(flag){
// binaryBufferedImage.setRGB(x,y,-1);
// }
// }
// }
// }
ImageIO.write(binaryBufferedImage, "jpg", new File(destDir, sfile
.getName()));
}
public static boolean isBlack(int colorInt)
{
Color color = new Color(colorInt);
if (color.getRed() + color.getGreen() + color.getBlue() <= 300)
{
return true;
}
return false;
}
public static boolean isWhite(int colorInt)
{
Color color = new Color(colorInt);
if (color.getRed() + color.getGreen() + color.getBlue() > 300)
{
return true;
}
return false;
}
public static int isBlackOrWhite(int colorInt)
{
if (getColorBright(colorInt) < 30 || getColorBright(colorInt) > 730)
{
return 1;
}
return 0;
}
public static int getColorBright(int colorInt)
{
Color color = new Color(colorInt);
return color.getRed() + color.getGreen() + color.getBlue();
}
public static int ostu(int[][] gray, int w, int h)
{
int[] histData = new int[w * h];
// Calculate histogram
for (int x = 0; x < w; x++)
{
for (int y = 0; y < h; y++)
{
int red = 0xFF & gray[x][y];
histData[red]++;
}
}
// Total number of pixels
int total = w * h;
float sum = 0;
for (int t = 0; t < 256; t++){
sum += t * histData[t];}
float sumB = 0;
int wB = 0;
int wF = 0;
float varMax = 0;
int threshold = 0;
for (int t = 0; t < 256; t++)
{
wB += histData[t]; // Weight Background
if (wB == 0) {
continue;
}
wF = total - wB; // Weight Foreground
if (wF == 0) {
break;
}
sumB += (float) (t * histData[t]);
float mB = sumB / wB; // Mean Background
float mF = (sum - sumB) / wF; // Mean Foreground
// Calculate Between Class Variance
float varBetween = (float) wB * (float) wF * (mB - mF) * (mB - mF);
// Check if new maximum found
if (varBetween > varMax)
{
varMax = varBetween;
threshold = t;
}
}
return threshold;
}
}
4、準備識別的語言包
默認是英文（識別字母和數字），如果要識別中文(數字 + 中文），需要制定語言包。
語言包可以指定一個路徑，有就可以瞭。
源碼下載地址
可以下載源碼，然後到下面這個路徑找到語言包，把語言包放到一個路徑：
例如：XXX/tessdata/下面。
tesseract.js-master.zip\tesseract.js-master\tests\assets\traineddata
5、對圖片進行識別
/**
* 圖片識別
* @author wangy
* @date 2019-08-26
* @param parameter
*/
public static String ocrResult(WebElement element ) throws Exception {
FileSystemView fsv = FileSystemView.getFileSystemView();
File com=fsv.getHomeDirectory(); //這便是讀取桌面路徑的方法瞭
String url = "";
String os = System.getProperty("os.name");
//識別系統，找不同的語言包路徑
if (os.indexOf("Windows") == -1) {
url = "/opt/google/";
} else {
url = com.getPath();
}
//獲取元素截圖的路徑
String path[]=Screenshot.elementscreenShot(element);
//獲取未處理的截圖路徑
String imgpath=path[0];
String result = null;
File imageFile = new File(imgpath);
//要對圖片處理
CleanElementImage.handlImage(imageFile,path[1]);
ITesseract instance = new Tesseract();
//讀取語言包的路徑地址
instance.setDatapath(url + File.separator + "test" + File.separator
+ "tessdata");
// 默認是英文（識別字母和數字），如果要識別中文(數字 + 中文），需要制定語言包，這裡是數字，所以沒用語言包
// instance.setLanguage("chi_sim");
//為瞭防止沒截完圖片就識別，做瞭一個簡單的循環
try{
String ocrResult=instance.doOCR(imageFile);
if(imageFile.exists()&&ocrResult!=""){
result=ocrResult;
}else {
while(true){
Thread.sleep(1000);
if(imageFile.exists()&&ocrResult!=""){
result=ocrResult;
break;
}
}
}
}catch(TesseractException e){
System.out.println(e.getMessage());
}
return result;
}
這一部分由於項目問題，貼在這裡做瞭特殊處理，原碼有一點點區別。大傢使用，如果有什麼問題，歡迎反饋！
6、成果
這裡簡單放個對照，圖片將就看一下效果，識別結果大概90%以上吧：
到此這篇關於Java使用Tessdata做OCR圖片文字識別的詳細思路的文章就介紹到這瞭,更多相關java Tessdata圖片文字內容請搜索WalkonNet以前的文章或繼續瀏覽下面的相關文章希望大傢以後多多支持WalkonNet！
推薦閱讀：
- Java數字圖像處理之圖像灰度處理
- 25行Java代碼將普通圖片轉換為字符畫圖片和文本的實現
- java使用字符畫一個海綿寶寶
- 使用java + OpenCV破解頂象面積驗證碼的示例
- java實現圖片反色處理示例