java使用Tess4J实现OCR图片文字识别
介绍
Tess4J 是 Tesseract OCR 的 java api 实现库，你可以通过 java 调用来轻松的实现图片识别并提取文字，也就是 OCR
图片提取文字技术。
Tess4J 支持识别的的图片格式：
TIFF、JPEG、GIF、PNG 和 BMP 图像格式
多页 TIFF 图像
PDF文档格式
Tesseract OCR的github官网
Tesseract OCR 使用手册
Tess4J 官网
一、maven如下
1
<dependency>
2 <groupId>net.sourceforge.tess4j</groupId>
3 <artifactId>tess4j</artifactId>
4 <version>5.7.0</version>
5 </dependency>
6 <!-- 解决输出的时候 slf4j 报错 -->
7 <dependency>
8 <groupId>org.slf4j</groupId>
9 <artifactId>slf4j-api</artifactId>
10 <version>1.8.0-beta4</version>
11 </dependency>
12 <dependency>
13 <groupId>org.slf4j</groupId>
14 <artifactId>slf4j-simple</artifactId>
15 <version>1.8.0-beta4</version>
16 </dependency>
二、下载语言模型
如果因为网络问题，你访问不了 github 或语言模型下载缓慢失败，可以直接看第2步百度云下载。
1.下载语言模型
tesseract 支持一百多种语言识别，你可以从 Traineddata 语言模型说明下载页面 选择自己想要识别的.traineddata 格式
的语言模型文件下载。
（1）特殊的模型
如果你想识别图片里的各种方向的文字可以下载 osd.traineddata 模型
如果你想识别图片里的各种数学公式、方程可以下载 equ.traineddata 模型
（2）语言模型
tesseract 在 GitHub 上的有三个独立的语言模型存储库 tessdata、tessdata-best、tessdata-fast 他们分别都存储了语言
模型，他们的区别是：
如何训练得到的 速度识别准确性 是否支持旧版是否支持再训练
tessdata 传统+LSTM（并整合tessdata-best） 比 tessdata-best 更快 比 tessdata-best 准确度稍低 支持不支持
tessdata-best 仅 LSTM（基于langdata） 最慢最准确 不支持 支持
tessdata-fast 比 tessdata-best 更小的 LSTM网络整合最快的 最不准确不支持 不支持
我测试识别一张多文字图片的时候，tessdata-best 效果最好但花了快10秒，tessdata 花了3秒但效果稍微差一点。你可
以根据自己的需要去选择下载语言模型文件，我这里选择的是 tessdata-best 库里下载 chi_sim.traineddata （简体中
文）、eng.traineddata （英文模型）。
因为网络问题，如果你访问不了 github 或下载缓慢，可以从我的百度云下载 tessdata 和 tessdata-best，里面包含了所
有的语言模型文件，（如果你只需要中英文的模型可以看我第 2 步）：
（3）存放路径
项目的 resources 文件夹下新建 tessdata 文件夹，然后把上面下载的 .traineddata 格式的语言模型文件复制到 tessdata
下。
2.百度云下载
如果因为网络问题，你访问不了 github 或下载缓慢失败，可以从百度云下载我的 tessdata.zip ，里面包含了中英文语言
模型 ，解压后把 tessdata 文件夹复制到你的 resources 文件夹下即可：
百度云下载: tessdata.zip 约27MB （链接：https://pan.baidu.com/s/1nXHJ_e4kzOGHbFwh95ijEg
提取码：k1qu）
三、测试
1.测试代码
1
import net.sourceforge.tess4j.Tesseract;
2 import net.sourceforge.tess4j.TesseractException;
3 import java.io.File;
4 import java.awt.*;
5 public class MainServer {
6 public static void main(String[] args) throws TesseractException {
7 long start = System.currentTimeMillis();
8 System.out.println("开始OCR文字识图，请稍后...");
9 //加载要识别的图片
10 File image = new File("F:\image\test1.jpg");
11 //设置配置文件夹微视、识别语言、识别模式
12 Tesseract tesseract = new Tesseract();
13 tesseract.setDatapath("src/main/resources/tessdata");
14 //设置识别语言为中文简体，（如果要设置为英文可改为"eng"）
15 tesseract.setLanguage("chi_sim");
16 //使用 OSD 进行自动页面分割以进行图像处理
17 tesseract.setPageSegMode(1);
18 //设置引擎模式是神经网络LSTM引擎
19 tesseract.setOcrEngineMode(1);
20 //开始识别整张图片中的文字
21 String result = tesseract.doOCR(image);
22 long time = System.currentTimeMillis()-start;
23 System.out.println("识别结束,耗时："+time+" 毫秒，识别结果如下：");
24 System.out.println();
25 System.out.println(result);
26 }
27 }
上面示例中是识别整张图片中的文字，如果你只想识别图片中特定部分的文字，可以像下面这样选定长宽范围识别：
1
String result = tesseract.doOCR(image, new Rectangle(300, 200));