初识tesseract-ocr

最近闲来无事，想研究下图片识别,经过一番搜索,决定研究研究tesseract

首先是一些基础概念

• OCR(Optical Character Recognition):光学字符识别,是指对图片文件中的文字进行分析识别，获取的过程。

• Tesseract：开源的OCR识别引擎，初期Tesseract引擎由HP实验室研发，后来贡献给了开源软件业，后经由Google进行改进，消除bug，优化，重新发布。当前版本为3.01.

首先介绍windows中使用命令行来使用Tesseract

1. 下载安装Tesseract-OCR引擎(3.0版本+才支持中文识别) 下载链接 tesseract-ocr-setup-3.02.02
2. 下载完后进行安装,默认情况下安装程序会给你配置系统环境变量,以指向安装目录（之后可以通过DOS界面在任意目录运行tesseract）。安装完成后目录如下:
   
    tessdata 目录存放的是语言字库文件，和在命令行界面中可能用到的参数所对应的文件.  这个安装程序默认包含了英文字库。

   如果想能识别中文，可以到https://github.com/tesseract-ocr/tessdata下载对应的语言的字库文件. 

3. 使用Tessract-OCR引擎识别验证码
   打开DOS界面，输入tesseract,出现下图证明成功
   
4. 我准备了一张验证码code.png放在D盘根目录下的test文件夹下，上图:
    
   
    查看result.txt中解析结果
   
   解析成功
5. 那对中文的解析如何,准备一张中文图片
   
    
    ,在上述github上下载对应的中文语言库文件，键入命令 tesseract zhongwen.png result -l chi_sim,显示指定语言为中文,然后会发现控制台输出read_params_file: parameter not found: allow_blob_division,这是由于我们使用的版本是3.02,而github最新的资源版本已经是3.04了,这边我们下载个3.02版本下的中文简体字体就可以了，传送门http://download.csdn.net/detail/u011538446/9439080替换后执行结果为
   识别准确率还是可以的，毕竟我们还可以通过训练提高识别的准群率
6. 附录:
   

   Usage:tesseract imagename outputbase [-l lang] [-psm pagesegmode] [configfile...]
   pagesegmode values are:
   0 = Orientation and script detection (OSD) only.
   1 = Automatic page segmentation with OSD.
   2 = Automatic page segmentation, but no OSD, or OCR
   3 = Fully automatic page segmentation, but no OSD. (Default)
   4 = Assume a single column of text of variable sizes.
   5 = Assume a single uniform block of vertically aligned text.
   6 = Assume a single uniform block of text.
   7 = Treat the image as a single text line.
   8 = Treat the image as a single word.
   9 = Treat the image as a single word in a circle.
   10 = Treat the image as a single character.
   -l lang and/or -psm pagesegmode must occur before anyconfigfile.

    

   tesseract imagename outputbase [-l lang] [-psm pagesegmode] [configfile...]

   tesseract    图片名  输出文件名 -l 字库文件 -psm pagesegmode 配置文件

   例如：

   tesseract code.jpg result  -l chi_sim -psm 7 nobatch

   -l chi_sim 表示用简体中文字库（需要下载中文字库文件，解压后，存放到tessdata目录下去,字库文件扩展名为  .raineddata 简体中文字库文件名为:  chi_sim.traineddata）

   -psm 7 表示告诉tesseract code.jpg图片是一行文本  这个参数可以减少识别错误率.  默认为 3

   configfile 参数值为tessdata\configs 和  tessdata\tessconfigs 目录下的文件名

7. 多数情况下,我们需要在程序中动态的调用，这边我们以java为例，演示如何在java中动态调用tesseract进行图像识别，我们在代码中识别下述的图片

   
   
    下面是核心代码

   package com.layou;
   
   import java.io.BufferedReader;
   import java.io.File;
   import java.io.FileInputStream;
   import java.io.InputStreamReader;
   import java.util.ArrayList;
   import java.util.List;
   
   import org.jdesktop.swingx.util.OS;
   
   public class OCRHelper {
   	private final String LANG_OPTION = "-l";
   	private final String EOL = System.getProperty("line.separator");
   
   	private String tessPath = "D://Program Files (x86)//Tesseract-OCR";
   
   	/**
   	 * @param imageFile
   	 *            传入的图像文件
   	 * @param imageFormat
   	 *            传入的图像格式
   	 * @return 识别后的字符串
   	 */
   	public String recognizeText(File imageFile) throws Exception {
   		/**
   		 * 设置输出文件的保存的文件目录
   		 */
   		File outputFile = new File(imageFile.getParentFile(), "output");
   
   		StringBuffer strB = new StringBuffer();
   		List cmd = new ArrayList();
   		if (OS.isWindowsXP()) {
   			cmd.add(tessPath + "\\tesseract");
   		} else if (OS.isLinux()) {
   			cmd.add("tesseract");
   		} else {
   			cmd.add(tessPath + "\\tesseract");
   		}
   		cmd.add("");
   		cmd.add(outputFile.getName());
   		cmd.add(LANG_OPTION);
   		// cmd.add("chi_sim");
   		cmd.add("eng");
   
   		ProcessBuilder pb = new ProcessBuilder();
   		/**
   		 * Sets this process builder's working directory.
   		 */
   		pb.directory(imageFile.getParentFile());
   		cmd.set(1, imageFile.getName());
   		pb.command(cmd);
   		pb.redirectErrorStream(true);
   		Process process = pb.start();
   		// tesseract.exe 1.jpg 1 -l chi_sim
   		// Runtime.getRuntime().exec("tesseract.exe 1.jpg 1 -l chi_sim");
   		/**
   		 * the exit value of the process. By convention, 0 indicates normal
   		 * termination.
   		 */
   		// System.out.println(cmd.toString());
   		int w = process.waitFor();
   		if (w == 0) // 0代表正常退出
   		{
   			BufferedReader in = new BufferedReader(new InputStreamReader(new FileInputStream(outputFile.getAbsolutePath() + ".txt"), "UTF-8"));
   			String str;
   
   			while ((str = in.readLine()) != null) {
   				strB.append(str).append(EOL);
   			}
   			in.close();
   		} else {
   			String msg;
   			switch (w) {
   			case 1:
   				msg = "Errors accessing files. There may be spaces in your image's filename.";
   				break;
   			case 29:
   				msg = "Cannot recognize the image or its selected region.";
   				break;
   			case 31:
   				msg = "Unsupported image format.";
   				break;
   			default:
   				msg = "Errors occurred.";
   			}
   			throw new RuntimeException(msg);
   		}
   		new File(outputFile.getAbsolutePath() + ".txt").delete();
   		return strB.toString().replaceAll("\\s*", "");
   	}
   }
   

    
    

   package com.layou;
   
   import java.io.File;
   
   public class Test {
   	public static void main(String[] args) {
   		try {
   
   			File testDataDir = new File("D://test");
   			System.out.println(testDataDir.listFiles().length);
   			int i = 0;
   			for (int j=0; j<24; j++) {
   				i++;
   				String recognizeText = new OCRHelper().recognizeText(new File("D://test/code" + j + ".jpg"));
   				System.out.print(recognizeText + "\t");
   
   				if (i % 8 == 0) {
   					System.out.println();
   				}
   			}
   
   		} catch (Exception e) {
   			e.printStackTrace();
   		}
   
   	}
   }
   

    运行结果如下
    
   
   运行结果还是相当令人满意的
8.  当然了，有时候图片被扭曲或者模糊的很厉害，很不容易识别，所以下面我给大家介绍一个去噪的辅助类，绝对碉堡了，先看下效果图。
   
    

   一个类，不依赖任何jar，把图像中的干扰线消灭了，是不是很给力，然后再拿这样的图片去识别，会不会效果更好呢，嘿嘿，大家自己实验~

   package com.layou;
   
   import java.awt.Color;
   import java.awt.image.BufferedImage;
   import java.io.File;
   import java.io.IOException;
   
   import javax.imageio.ImageIO;
   
   public class ClearImageHelper {
   
   	public static void main(String[] args) throws IOException {
   
   		File testDataDir = new File("d://test");
   		final String destDir = testDataDir.getAbsolutePath() + "/tmp";
   		for (File file : testDataDir.listFiles()) {
   			cleanImage(file, destDir);
   		}
   
   	}
   
   	/**
   	 * 
   	 * @param sfile
   	 *            需要去噪的图像
   	 * @param destDir
   	 *            去噪后的图像保存地址
   	 * @throws IOException
   	 */
   	public static void cleanImage(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);
   				// 图像加亮（调整亮度识别率非常高）
   				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]);
   			}
   		}
   
   		// 矩阵打印
   		for (int y = 0; y < h; y++) {
   			for (int x = 0; x < w; x++) {
   				if (isBlack(binaryBufferedImage.getRGB(x, y))) {
   					System.out.print("*");
   				} else {
   					System.out.print(" ");
   				}
   			}
   			System.out.println();
   		}
   
   		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;
   	}
   }

    好拉，初步研究就到这边了，后期项目如果使用到的话，在深入研究吧,java部分参考http://blog.csdn.net/lmj623565791/article/details/23960391