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

<dependency>
    <groupId>net.sourceforge.tess4j</groupId>
    <artifactId>tess4j</artifactId>
    <version>4.5.1</version>
</dependency>

Java代码

/**
 * 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;
}
/**
 * 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

进阶实例:Java指定窗口识别文本信息

推荐阅读更多精彩内容