Tess4J和TesseractOCR简易使用教程

使用Tess4J和TesseractOCR实现对图片文字的识别提取

背景：OCR场景识别主要使用 TesseractOCR和tess4J，Tesseract主要优势表现在中文文字识别的准确度和速率，tess4J识别英文的效果较好，且可移植性较高（中文识别效果可经训练后达到较好的效果），本次主要记录Tess4J和tesseractOCR的使用方法

TesseractOCR的简易使用：
1、安装tesseractOCR(安装包下载地址： http://digi.bib.uni-mannheim.de/tesseract/tesseract-ocr-setup-4.00.00dev.exe)
2、下载完成后进行安装（可根据自己需要下载所需语言包，这里我下载的是中英文的语言包）如果有其它语言的要求可以去github上自行下载（https://github.com/tesseract-ocr/tessdata）下载完成后放入tessdata目录下
3、配置环境变量：
path：C:\Program Files (x86)\Tesseract-OCR
新增系统变量：
TESSDATA_PREFIX
C:\Program Files (x86)\Tesseract-OCR\tessdata
4、配置完成后，控制台 tesseract --version可查看对应版本
5、使用 tesseract xxx.jpg test -l chi_sim命令实现文字的提取和识别（不过这个识别成功率不是很好，可以通过训练字库的方式提高准确率 ->Todo）

Tess4J的使用
1、官网下载 tess4J 官网链接
2、下载完成解压后的目录
3、使用Idea，新建一个java工程，将dist目录和lib目录下的jar包导入项目
File -> Project Structure -> Module ->Dependencies -> add JARs and directorys

4、导入完成后，将tessdata目录copy到与src同级的目录下

5、该软件默认的识别的是英文，如果相要能识别中文，需要将中文的训练文本chi_sim.traineddata存放到C:\Program Files (x86)\Tesseract-OCR\tessdata中。可以编写测试类进行识别效果检验（Todo.可以针对场景进行训练提高识别效果）

package net.sourceforge.tess4j.example;

import java.io.File;
import net.sourceforge.tess4j.*;

public class TesseractExample {
    public static void main(String[] args) {
        // ImageIO.scanForPlugins(); // for server environment
        File imageFile = new File("eurotext.tif");
        ITesseract instance = new Tesseract(); // JNA Interface Mapping
        // ITesseract instance = new Tesseract1(); // JNA Direct Mapping
        // instance.setDatapath(""); // replace  with path to parent directory of tessdata
        // instance.setLanguage("eng");

        try {
            String result = instance.doOCR(imageFile);
            System.out.println(result);
        } catch (TesseractException e) {
            System.err.println(e.getMessage());
        }
    }
}