Windows下命令行及Java+Tesseract-OCR对图像进行（字母+数字+中文）识别，亲测可行

Windows下Java+Tesseract-OCR对图像进行字符识别，亲测可行

1. 下载tesseract-ocr、中文语言包并安装
2. 命令行对图片进行识别及效果图
3. Java调用Tesseart-OCR
- 3.1 效果图
- 3.2 源码
4. 遗留问题
- 4.1 Too many unichars in ambiguity on line 22991608，暂未解决
参考

这篇博客将介绍Java如何利用Tesseract-OCR对图像进行字符识别；

1. 下载tesseract-ocr、中文语言包并安装

Tesseract-ocr是一款开源工具，可用于OCR(Optical Character Recognition)。默认识别字母+数字，识别中文需要安装相应的中文语言包）。

tesseract-ocr 3.02安装包与中文语言包chi_sim.traineddata 3.02版本-百度网盘链接：https://pan.baidu.com/s/1-tmDFZPvOO1GFtwJn50ahA
提取码：3siq

中文语言包chi_sim.traineddata 4.0版本在此下载

假设安装在Tesseart-OCR安装在D盘，
将语言包解压出的chi_sim.traineddata 放到 D:\Tesseract-OCR\tessdata\ 目录下

验证安装成功与否：

2. 命令行对图片进行识别及效果图

切换到安装目录及识别

cd D:\Tesseract-OCR
tesseract.exe E:\mat\mvt\java-ocr-demo\ocr\opencv_logo.jpg opencv_logo

默认识别（字母+数字），识别中文需要安装中文语言包，并指定模型 -l chi_sim

tesseract 2.jpg 2 -l chi_sim -psm 7

参数1：2.jpg 图片全路径
参数2：2 识别文本输出文字名，结果将写入2.txt
参数3：指定语言包，-l chi_sim表示用简体中文字库，默认eng（识别字母+数字）
参数4：-psm 7 表示告诉tesseract 2.jpg图片只有一行文本，从而可以减少识别错误率，默认为3。

字母成功识别效果图如下：

图过大，字符太小可能无法识别，需要将图片截取下保证图片中字符清晰可见即可正确识别出来；

数字成功识别效果图如下：

中文+字母识别：可以看到文字并没有正确识别；不是特别准确

中文+字母+数字识别，中文不太准确，效果图如下：

3. Java调用Tesseart-OCR

Java调用Tessert-OCR有如下俩种方法：

实质上也是调用的 tesseart.exe执行的ocr识别；
调用tess4j jar包内的方法，依赖字体集（需要本地下载好字体集）
优化版本—— Java-基于百度API的图片文字识别（支持中文，英文和中英文混合）

3.1 效果图

调用本地exe方式效果图如下：英文比较准确，中文的效果不太好

调用jar加载 eng 模型来识别效果图如下：多张图片测试，字母+数字的效果要好一些，基本都识别出来，中文识别均乱码；

调用jar加载中文的 chi_sim 模型来识别效果图如下：多张图片测试，字符字母部分未成功识别，也有识别错的，中文识别效果也不好；

3.2 源码

<!-- https://mvnrepository.com/artifact/net.sourceforge.tess4j/tess4j -->
<dependency><groupId>net.sourceforge.tess4j</groupId><artifactId>tess4j</artifactId><version>3.2.1</version>
</dependency>

package com;import lombok.extern.slf4j.Slf4j;
import net.sourceforge.tess4j.ITesseract;
import net.sourceforge.tess4j.Tesseract;
import net.sourceforge.tess4j.TesseractException;
import org.apache.commons.io.FileUtils;
import org.junit.platform.commons.util.StringUtils;import java.io.BufferedReader;
import java.io.File;
import java.io.IOException;
import java.io.InputStreamReader;/**************************************Class Name: TessertOcr*Description: <java调用tessert-ocr识别>*@author: seminar*@create: 2021/7/8*@since 1.0.0*************************************/
public class TessertOcr {/*** 调用tesseart.exe进行OCR识别** @param exePath exe绝对路径* @param jpgPath jpg路径* @param flag    默认false，使用eng只支持字母+数字， True：支持中文+字母+数字* @return*/public static String callTesseartExe(String exePath, String jpgPath, boolean flag) {String res = "";try {Process process = null;if (!flag) {process = Runtime.getRuntime().exec(new String[]{exePath, jpgPath, jpgPath.replaceAll(".jpg", "")});} else {process = Runtime.getRuntime().exec(new String[]{exePath, jpgPath, jpgPath.replaceAll(".jpg", ""), "-l", "chi_sim"});}StringBuilder processOutput = new StringBuilder();try (BufferedReader processOutputReader = new BufferedReader(new InputStreamReader(process.getInputStream()));) {String readLine;while ((readLine = processOutputReader.readLine()) != null) {processOutput.append(readLine + System.lineSeparator());}// 等待执行完成process.waitFor();} catch (IOException e) {e.printStackTrace();} catch (InterruptedException e) {e.printStackTrace();} finally {if (process != null) {process.destroy();}}res = processOutput.toString().trim();res = FileUtils.readFileToString(new File(jpgPath.replaceAll(".jpg", ".txt")));} catch (IOException e) {e.printStackTrace();}return res;}public static void main(String[] args) {// 第一种方法String exePath = "D:/Tesseract-OCR/tesseract.exe";String jpgPath = "E:\\mat\\mvt\\java-ocr-demo\\images\\1622175322109_0.025711_cc.jpg";System.out.println("1622175322109_0.025711_cc.jpg callTesseartExe: " + callTesseartExe(exePath, jpgPath, false));System.out.println("chinese.jpg callTesseartExe: " + callTesseartExe(exePath,"E:\\mat\\mvt\\java-ocr-demo\\images\\chinese.jpg", true));String fileDir = "E:\\mat\\mvt\\java-ocr-demo\\images\\";File[] list = new File(fileDir).listFiles();ITesseract instance = new Tesseract();instance.setDatapath("E:\\mat\\mvt\\java-ocr-demo\\src\\test\\java\\com\\tessdata");// 默认识别英文（字母+英文），如果识别中文（数字+中文）需要设置语言包
//        instance.setLanguage("chi_sim");for (File file : list) {if (file.getName().endsWith(".jpg")) {try {String result = instance.doOCR(file);if (StringUtils.isNotBlank(result)) {result = result.replaceAll("\n", "");result = result.replaceAll(" ", "");if (result.length() > 30) {System.out.println(file.getName() + ": " + result.substring(result.length() - 30, result.length()));} else {System.out.println(file.getName() + ": " + result);}} else {System.out.println(file.getName() + ": ");}} catch (TesseractException e) {e.printStackTrace();}}}}
}

4. 遗留问题

4.1 Too many unichars in ambiguity on line 22991608，暂未解决

参考

亲测可用
eng.traineddata,chi_sm.traineddata下载
java+Tesseract-OCR实现图片识别
java利用tesseract-OCR对图像进行字符识别
tesseract-ocr java开发
Java截取局部图片~