Android平台OCR工具之Tess-two使用

1.OCR简介

OCR （Optical Character Recognition，光学字符识别）是指电子设备（例如扫描仪或数码相机）检查纸上打印的字符，通过检测暗、亮的模式确定其形状，然后用字符识别方法将形状翻译成计算机文字的过程；

2.Tesseract简介

Tesseract是Ray Smith于1985到1995年间在惠普布里斯托实验室开发的一个OCR引擎，曾经在1995 UNLV精确度测试中名列前茅。但1996年后基本停止了开发。2006年，Google邀请Smith加盟，重启该项目。目前项目的许可证是Apache 2.0。该项目目前支持Windows、Linux和Mac OS等主流平台。但作为一个引擎，它只提供命令行工具。
现阶段的Tesseract由Google负责维护，是最好的开源OCR Engine之一，并且支持中文。

主页地址：https://github.com/tesseract-ocr

在Tesseract的主页中，我们可以下载到Tesseract的源码及语言包，常用的语言包为

中文：chi-sim.traineddata

英文：eng.traineddata

3.Tess-two

因为Tesseract使用C++实现的，在Android中不能直接使用，需要封装JavaAPI才能在Android平台中进行调用，这里我们直接使用TessTwo项目，tess-two是TesseraToolsForAndroid的一个git分支，使用简单，切集成了leptonica，在使用之前需要先从git上下载源码进行编译。

3.1.1 项目地址

Tess-two在git上地址为：https://github.com/rmtheis/tess-two

3.1.2 编译

我编译使用的环境：

• Eclipse 4.2.1
• ADT 23.0.2
• NDK R10
• Cygwin

NDK环境的具体配置及Cygwin的安装方法可以参照这篇博客：Windows下Android NDK环境搭建

配置好NDK环境后，将从git上下载的Tess-two进行解压，放置的路径是： E:\CooGame\OCR\TessTwo源码，下边开始进行编译：

• 第一步：在Cygwin软件中使用cd命令打开Tesstwo的根目录。
• 第二步：切换到tess-two目录下的jni目录
• 第三步：输入命令进行编译

编译需要耗费挺长时间，编译完成后，会在tess-two目录下生成libs文件夹，其中包含了编译生成的.so文件，可以进行使用。

也可以直接下载我编译好的包，这里给出下载地址，我测试了一下，是没有问题的。

tess-two下载

4.tess-two使用

编译完成后，新建工程，将之前编译好的libs文件夹下的armeabi和armeabi-v7a文件夹拷贝至新建工程的libs文件夹下，将tess-two工程中src文件夹下的两个包直接拷贝至代码中或者打成jar进行使用。工程如下：

识别函数：

/**
     * 识别图片中文字,需要放入异步线程中进行执行
     * 
     * @param bitmap
     * @return
     * @throws IOException
     */
    public String parseImageToString(String imagePath) throws IOException
    {
        // 检验图片地址是否正确
        if (imagePath == null || imagePath.equals(""))
        {
            return TessErrorCode.IMAGE_PATH_IS_NULL;
        }

        // 获取Bitmap
        BitmapFactory.Options options = new BitmapFactory.Options();
        options.inSampleSize = 2;
        Bitmap bitmap = BitmapFactory.decodeFile(imagePath, options);

        // 图片旋转角度
        int rotate = 0;

        ExifInterface exif = new ExifInterface(imagePath);

        // 先获取当前图像的方向，判断是否需要旋转
        int imageOrientation = exif
                .getAttributeInt(ExifInterface.TAG_ORIENTATION,
                        ExifInterface.ORIENTATION_NORMAL);

        Log.i(TAG, "Current image orientation is " + imageOrientation);

        switch (imageOrientation)
        {
            case ExifInterface.ORIENTATION_ROTATE_90:
                rotate = 90;
                break;
            case ExifInterface.ORIENTATION_ROTATE_180:
                rotate = 180;
                break;
            case ExifInterface.ORIENTATION_ROTATE_270:
                rotate = 270;
                break;
            default:
                break;
        }

        Log.i(TAG, "Current image need rotate: " + rotate);

        // 获取当前图片的宽和高
        int w = bitmap.getWidth();
        int h = bitmap.getHeight();

        // 使用Matrix对图片进行处理
        Matrix mtx = new Matrix();
        mtx.preRotate(rotate);

        // 旋转图片
        bitmap = Bitmap.createBitmap(bitmap, 0, 0, w, h, mtx, false);
        bitmap = bitmap.copy(Bitmap.Config.ARGB_8888, true);

        // 开始调用Tess函数对图像进行识别
        TessBaseAPI baseApi = new TessBaseAPI();
        baseApi.setDebug(true);
        // 使用默认语言初始化BaseApi
        baseApi.init(TessConstantConfig.TESSBASE_PATH,
                TessConstantConfig.DEFAULT_LANGUAGE_CHI);
        baseApi.setImage(bitmap);

        // 获取返回值
        String recognizedText = baseApi.getUTF8Text();
        baseApi.end();
        return recognizedText;
    }

使用之前，需要先下载数据包到/mnt/sdcard/tesseract/目录下，下载地址在上边文章中已经有提到。可以根据需要识别的语言进行下载

数据包下载地址

经过测试，发现tess-two的识别率不是很高，对一般电脑输入文字生成的图片，识别度较高，但对于手写问题，识别率较低，可能需要进一步进行训练。下边是我识别的结果截图：

5.总结

总结tess-two的使用方法，大致可分为以下几步：

1. 下载并解压tess-two
2. 编译，获得.so文件，或者直接下载我编译好的tess-two文件，可以不用下载tess-two源码
3. 新建工程测试，训练

6. 代码

我是代码