迹忆客 专注技术分享

本文介绍了 OCR 在 Java 中的实现。

Java OCR

OCR 或 Tesseract OCR 是 HP 实验室于 1985 年开发的光学字符读取引擎，自 2006 年起由 Google 开发。 tesseract OCR 在 Unicode UTF-8 支持上运行，可以检测 100 多种语言，这就是它被用来创建语言扫描软件的原因。

最新的 Tesseract OCR 是 tesseract 版本 4，其中包括基于 OCR 的神经网络系统 LSTM，用于线条识别。 tesseract OCR 提供了使用 Java 中的 AI 和机器学习执行图像处理的功能。

OCR应用

OCR的应用可以分为以下几点：

1. 对图像数据进行预处理，例如过滤、去偏斜和转换为灰度。
2. 它还可以检测单词、线条和字符。
3. 在后期过程中识别字符，根据语言数据中的置信度选择最佳字符，这些语言数据还包括语法、词典等。
4. 它还可以根据训练数据集生成排名列表。

如何在 Java 中使用 OCR

请按照以下步骤在 Java 中使用 OCR：

1. 首先，下载 Tess4j API。
2. 提取下载的文件。
3. 对于 OCR，我们必须在 IDE 中创建一个新项目。
4. 创建新项目后，将 jar 文件导入到构建路径中。
5. 您可以在 .\Tess4J-3.4.8-src\Tess4J\dist 路径中找到该 jar 文件。

如果上述方法不起作用，请将下载的文件解压到某处，进入 Eclipse，选择 Open Project from File System 选项，然后选择解压文件夹的路径。

这将直接在 Eclipse 中打开 tess4j OCR 项目，然后我们将添加类来创建我们的应用程序。

让我们尝试一个使用 Java 中的 tesseract OCR 进行图像到文本转换的简单示例。

package tess4jtest;

import java.io.File ;
import net.sourceforge.tess4j.Tesseract ;
import net.sourceforge.tess4j.TesseractException ;
public class test {
    public static void main( String[ ] args )  {
        // Instance of tesseract
        Tesseract DemoTesseract = new Tesseract( ) ;
        try {
            // path to the tessdata in the extracted folder
            DemoTesseract.setDatapath("C:\\Users\\Sheeraz\\OneDrive\\Desktop\\New folder (3)\\Tess4J\\tessdata") ;
            // InputPath
            String OutputText = DemoTesseract.doOCR(new File("C:\\Users\\Sheeraz\\OneDrive\\Desktop\\New folder (3)\\Tess4J\\sample.png" ) ) ;

            System.out.print(OutputText) ;
        }
        catch (TesseractException ex) {
            ex.printStackTrace( ) ;
        }
    }
}

上面的代码将从下图中读取文本：

让我们看看上面代码的输出。

Demmck is a resource for everyone interested in programming. embedded software, and electronics. It
covers the programming languages like Python‘ CIC++‘ ct and so on in mi: website’sfirstdevelopment
smge. Openrsource hardware alsofalls in the website's scope, like Arduino‘ Raspberry PL and BeagleBone.
Demmckaims to provide tutorials, howito's, and cheat sheets to different levels of developers and
hobbyists

正如我们所看到的，由于 OCR 尝试读取图像，图像的某些输出发生了变化。 现在让我们在以下手写示例中尝试相同的示例：

更改这行代码：

String OutputText = DemoTesseract.doOCR(new File("C:\\Users\\Sheeraz\\OneDrive\\Desktop\\New folder (3)\\Tess4J\\sample.png" )) ;

为

String OutputText = DemoTesseract.doOCR(new File("C:\\Users\\Sheeraz\\OneDrive\\Desktop\\New folder (3)\\Tess4J\\sample1.png" )) ;

现在，上述手写图像代码的输出如下。

This Is a handwr.' ++en
Exampte
NrHC as good as X"  "Cam.

上面的图像都算清晰了，如果有不清晰的图像怎么办？ 为了对不清晰的图像进行OCR识别，我们需要先对图像进行处理； 让我们尝试一个例子。

package tess4jtest;

import java.awt.Graphics2D;
import net.sourceforge.tess4j.*;
import java.awt.Image;
import java.awt.image.*;
import java.io.*;

import javax.imageio.ImageIO;

public class test {

    public static void ImageProcess(BufferedImage Input_Image, float scaleFactor, float offset) throws IOException, TesseractException {
        // First of all, create an empty image buffer
        BufferedImage Output_Image = new BufferedImage(1050, 1024, Input_Image.getType());

        // Now create a 2D platform
        Graphics2D DemoGraphic = Output_Image.createGraphics();

        // draw a new image
        DemoGraphic.drawImage(Input_Image, 0, 0, 1050, 1024, null);
        DemoGraphic.dispose();

        // rescale the OP object for the grey images
        RescaleOp RescaleImage = new RescaleOp(scaleFactor, offset, null);

        // perform scaling
        BufferedImage Buffered_FOP_Image = RescaleImage.filter(Output_Image, null);
        ImageIO.write(Buffered_FOP_Image, "jpg", new File("C:\\Users\\Sheeraz\\OneDrive\\Desktop\\New folder (3)\\Tess4J\\output\\output.png"));

        Tesseract DemoTesseract = new Tesseract();

        DemoTesseract.setDatapath("C:\\Users\\Sheeraz\\OneDrive\\Desktop\\New folder (3)\\Tess4J\\tessdata");

        String OutputStr = DemoTesseract.doOCR(Buffered_FOP_Image);
        System.out.println(OutputStr);
    }

    public static void main(String args[]) throws Exception {
        File InputFile = new File( "C:\\Users\\Sheeraz\\OneDrive\\Desktop\\New folder (3)\\Tess4J\\sample2.png");

        BufferedImage Input_Image = ImageIO.read(InputFile);

        double Image_Double = Input_Image.getRGB(Input_Image.getTileWidth() / 2, Input_Image.getTileHeight() / 2);

        // compare the values
        if (Image_Double >= -1.4211511E7 && Image_Double < -7254228) {
            ImageProcess(Input_Image, 3f, -10f);
        }
        else if (Image_Double >= -7254228 && Image_Double < -2171170) {
            ImageProcess(Input_Image, 1.455f, -47f);
        }
        else if (Image_Double >= -2171170 && Image_Double < -1907998) {
            ImageProcess(Input_Image, 1.35f, -10f);
        }
        else if (Image_Double >= -1907998 && Image_Double < -257) {
            ImageProcess(Input_Image, 1.19f, 0.5f);
        }
        else if (Image_Double >= -257 && Image_Double < -1) {
            ImageProcess(Input_Image, 1f, 0.5f);
        }
        else if (Image_Double >= -1 && Image_Double < 2) {
            ImageProcess(Input_Image, 1f, 0.35f);
        }
    }
}

上面的代码将首先处理有噪声的图像，然后尝试读取图像文本。 此代码使用的图像如下。

查看输出：

I liVEI'» 1W,
Every :10 I 0
£0 Workyéy git;
A/Jo T would
M: £0 visié MW

OCR 的优点和缺点

以下是在 Java 中使用 OCR 的优点：

1. 它有助于提高办公室和其他地方的工作效率。
2. OCR 可确保内容完整，节省时间。
3. tesseract OCR 可以立即搜索给定的内容，这非常有用。
4. 节省了工人的体力劳动。

OCR 的缺点是：

1. OCR 仅限于语言识别。
2. 此 OCR 不能提供 100% 的内容准确性。
3. 此 OCR 需要花费大量精力来创建训练器数据。
4. OCR 的性能基于图像，因此我们可能需要对图像进行额外处理以获得更好的结果。