亚洲暴爽 AV人人爽日日碰,亚洲国产精品SSS在线观看AV,亚洲综合在线一区二区三区

tesseract-ocr識別中文掃描圖片實例講解

本文參考http://blog.csdn.net/zhoushuyan/archive/2010/10/18/5948289.aspx#1567946實現(xiàn)，在這里感謝該文章的作者。

當(dāng)我瀏覽http://code.google.com/p/tesseract-ocr并下載了幾個文件下來之后頓時感到一頭霧水，不知該如何下手。網(wǎng)上看到有人在linux操作系統(tǒng)下的實現(xiàn)，

如：

利用開源程序（ImageMagick+tesseract-ocr）實現(xiàn)圖像驗證碼識別

但卻很少看到在windows下的相關(guān)文章介紹。

接下來我將一步步講述如何采用tesseract-ocr識別含有中文的圖片。

1、下載tesseract-ocr（注意3.0版本之后才支持中文的識別）

tesseract-ocr-setup-3.00.exe

chi_sim.traineddata.gz

2、安裝tesseract-ocr

解壓縮，雙擊 tesseract-ocr-setup-3.00.exe 即可根據(jù)提示一步步安裝，本人安裝的目錄是：D:\Program Files\Tesseract-OCR

在該目錄下可看到tesseract.exe文件，這就是我們后面程序中會調(diào)用到的運行進(jìn)程。

3、自定義安裝語言包

D:\Program Files\Tesseract-OCR目錄下找到\tessdata目錄，其是用來存放語言包，可把 chi_sim.traineddata.gz 解壓縮之后的chi_sim.traineddata文件復(fù)制到該目錄下即可。

4、編寫測試代碼

在編寫代碼之前下載兩個jar包：jai_imageio-1.1-alpha.jar、swingx-1.0.jar，可在www.findjar.com 網(wǎng)站上去下載。

view plain copy to clipboard print ?

import java.awt.image.BufferedImage;
import java.io.File;
import java.io.IOException;
import java.util.Iterator;
import java.util.Locale;
import javax.imageio.IIOImage;
import javax.imageio.ImageIO;
import javax.imageio.ImageReader;
import javax.imageio.ImageWriteParam;
import javax.imageio.ImageWriter;
import javax.imageio.metadata.IIOMetadata;
import javax.imageio.stream.ImageInputStream;
import javax.imageio.stream.ImageOutputStream;
import com.sun.media.imageio.plugins.tiff.TIFFImageWriteParam;
public class ImageIOHelper {
/**
* 圖片文件轉(zhuǎn)換為tif格式
* @param imageFile 文件路徑
* @param imageFormat 文件擴(kuò)展名
* @return
*/
public static File createImage(File imageFile, String imageFormat) {
File tempFile = null;
try {
Iterator<ImageReader> readers = ImageIO.getImageReadersByFormatName(imageFormat);
ImageReader reader = readers.next();
ImageInputStream iis = ImageIO.createImageInputStream(imageFile);
reader.setInput(iis);
//Read the stream metadata
IIOMetadata streamMetadata = reader.getStreamMetadata();
//Set up the writeParam
TIFFImageWriteParam tiffWriteParam = new TIFFImageWriteParam(Locale.CHINESE);
tiffWriteParam.setCompressionMode(ImageWriteParam.MODE_DISABLED);
//Get tif writer and set output to file
Iterator<ImageWriter> writers = ImageIO.getImageWritersByFormatName("tiff");
ImageWriter writer = writers.next();
BufferedImage bi = reader.read(0);
IIOImage image = new IIOImage(bi,null,reader.getImageMetadata(0));
tempFile = tempImageFile(imageFile);
ImageOutputStream ios = ImageIO.createImageOutputStream(tempFile);
writer.setOutput(ios);
writer.write(streamMetadata, image, tiffWriteParam);
ios.close();
writer.dispose();
reader.dispose();
} catch (IOException e) {
e.printStackTrace();
}
return tempFile;
}
private static File tempImageFile(File imageFile) {
String path = imageFile.getPath();
StringBuffer strB = new StringBuffer(path);
strB.insert(path.lastIndexOf('.'),0);
return new File(strB.toString().replaceFirst("(?<=\\.)(\\w+)$", "tif"));
}
}

import java.awt.image.BufferedImage;
import java.io.File;
import java.io.IOException;
import java.util.Iterator;
import java.util.Locale;
import javax.imageio.IIOImage;
import javax.imageio.ImageIO;
import javax.imageio.ImageReader;
import javax.imageio.ImageWriteParam;
import javax.imageio.ImageWriter;
import javax.imageio.metadata.IIOMetadata;
import javax.imageio.stream.ImageInputStream;
import javax.imageio.stream.ImageOutputStream;
import com.sun.media.imageio.plugins.tiff.TIFFImageWriteParam;
public class ImageIOHelper {
/**
* 圖片文件轉(zhuǎn)換為tif格式
* @param imageFile 文件路徑
* @param imageFormat 文件擴(kuò)展名
* @return
*/
public static File createImage(File imageFile, String imageFormat) {
File tempFile = null;
try {
Iterator<ImageReader> readers = ImageIO.getImageReadersByFormatName(imageFormat);
ImageReader reader = readers.next();
ImageInputStream iis = ImageIO.createImageInputStream(imageFile);
reader.setInput(iis);
//Read the stream metadata
IIOMetadata streamMetadata = reader.getStreamMetadata();
//Set up the writeParam
TIFFImageWriteParam tiffWriteParam = new TIFFImageWriteParam(Locale.CHINESE);
tiffWriteParam.setCompressionMode(ImageWriteParam.MODE_DISABLED);
//Get tif writer and set output to file
Iterator<ImageWriter> writers = ImageIO.getImageWritersByFormatName("tiff");
ImageWriter writer = writers.next();
BufferedImage bi = reader.read(0);
IIOImage image = new IIOImage(bi,null,reader.getImageMetadata(0));
tempFile = tempImageFile(imageFile);
ImageOutputStream ios = ImageIO.createImageOutputStream(tempFile);
writer.setOutput(ios);
writer.write(streamMetadata, image, tiffWriteParam);
ios.close();
writer.dispose();
reader.dispose();
} catch (IOException e) {
e.printStackTrace();
}
return tempFile;
}
private static File tempImageFile(File imageFile) {
String path = imageFile.getPath();
StringBuffer strB = new StringBuffer(path);
strB.insert(path.lastIndexOf('.'),0);
return new File(strB.toString().replaceFirst("(?<=\\.)(\\w+)$", "tif"));
}
}

view plain copy to clipboard print ?

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 OCR {
private final String LANG_OPTION = "-l"; //英文字母小寫l，并非數(shù)字1
private final String EOL = System.getProperty("line.separator");
private String tessPath = "D:\\Program Files\\Tesseract-OCR";
//private String tessPath = new File("tesseract").getAbsolutePath();
public String recognizeText(File imageFile,String imageFormat)throws Exception{
File tempImage = ImageIOHelper.createImage(imageFile,imageFormat);
File outputFile = new File(imageFile.getParentFile(),"output");
StringBuffer strB = new StringBuffer();
List<String> cmd = new ArrayList<String>();
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();
pb.directory(imageFile.getParentFile());
cmd.set(1, tempImage.getName());
pb.command(cmd);
pb.redirectErrorStream(true);
Process process = pb.start();
//tesseract.exe 1.jpg 1 -l chi_sim
int w = process.waitFor();
//刪除臨時正在工作文件
tempImage.delete();
if(w==0){
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 recongnize the image or its selected region.";
break;
case 31:
msg = "Unsupported image format.";
break;
default:
msg = "Errors occurred.";
}
tempImage.delete();
throw new RuntimeException(msg);
}
new File(outputFile.getAbsolutePath()+".txt").delete();
return strB.toString();
}
}

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 OCR {
private final String LANG_OPTION = "-l";  //英文字母小寫l，并非數(shù)字1
private final String EOL = System.getProperty("line.separator");
private String tessPath = "D:\\Program Files\\Tesseract-OCR";
//private String tessPath = new File("tesseract").getAbsolutePath();
public String recognizeText(File imageFile,String imageFormat)throws
Exception{
File tempImage = ImageIOHelper.createImage(imageFile,imageFormat);
File outputFile = new File(imageFile.getParentFile(),"output");
StringBuffer strB = new StringBuffer();
List<String> cmd = new ArrayList<String>();
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();
pb.directory(imageFile.getParentFile());
cmd.set(1, tempImage.getName());
pb.command(cmd);
pb.redirectErrorStream(true);
Process process = pb.start();
//tesseract.exe 1.jpg 1 -l chi_sim
int w = process.waitFor();
//刪除臨時正在工作文件
tempImage.delete();
if(w==0){
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 recongnize the image or its selected region.";
break;
case 31:
msg = "Unsupported image format.";
break;
default:
msg = "Errors occurred.";
}
tempImage.delete();
throw new RuntimeException(msg);
}
new File(outputFile.getAbsolutePath()+".txt").delete();
return strB.toString();
}
}

view plain copy to clipboard print ?

import java.io.File;
import java.io.IOException;
public class TestOCR {
/**
* @param args
*/
public static void main(String[] args) {
String path = "d:\\test\\chi.jpg";
try {
String valCode = new OCR().recognizeText(new File(path), "jpg");
System.out.println(valCode);
} catch (IOException e) {
e.printStackTrace();
} catch (Exception e) {
e.printStackTrace();
}
}
}

通過本人的測試對于中文的識別雖然不是很完美，至少其可支持了，但最大的缺點就是速度慢。中文本來就很復(fù)雜，而且其語言包就達(dá)到50多M，和英文語言包比起來真是..............

測試圖片，可右擊“圖片另存為”

解析輸出結(jié)果：

一、引孟4
1. 1 從體驗經(jīng)濟(jì)到體驗設(shè)計駟
隨著社會生產(chǎn)力發(fā)展水平的提高和人類需求層次的升級, 體驗經(jīng)濟(jì)也就成
為了經(jīng)濟(jì)發(fā)展的必然趨勢。體驗經(jīng)濟(jì) 日漸顯現(xiàn), 出現(xiàn)了服務(wù)于它的體驗設(shè)計。、
設(shè)計是創(chuàng)新的重要組成部分。茌強(qiáng)調(diào) 目主創(chuàng)新的六環(huán)i競下, 申國的企業(yè)應(yīng)
該兗分關(guān)注體驗設(shè)計的新趨勢‘。體驗設(shè)計的理論正茌成為現(xiàn)代企業(yè)開發(fā)產(chǎn)品和
服務(wù)頂目的重要依據(jù)。現(xiàn)階段, IT 領(lǐng)域很早就注意到了這一點, 百度、騰訊、
支付寶、阿里巴巴等著屬設(shè)有專門的用戶體驗部, 為其產(chǎn)品和服務(wù)增加附加價值,
也更六程度她讓用戶滿意, 最終荻得了最佳企業(yè)效益。、
同時7 隨看現(xiàn)代產(chǎn)品設(shè)計思想的成熟, 產(chǎn)品設(shè)計也越來越聚焦于人本身一
7人的存茌, 人的需要7 持別是人的情感需要。設(shè)計與人, 人與設(shè)計, 設(shè)計是
否可以有長遠(yuǎn)意義, 是否可以印證人的真買存茌, 是否可以幫助人們理解目己,
認(rèn)識世界。這個問題己偏同于哲學(xué), 但卻確買是設(shè)計這種文化形式的內(nèi)茌訴求。
越來越多的產(chǎn)品遍過設(shè)計, 茌與人交互的過程申7 使人產(chǎn)生愉悅的體驗, 并茌
這個體驗的后期, 讓人產(chǎn)生反思, 遍過反思得以認(rèn)識自己7 發(fā)展自己。找想這
點是設(shè)計成為一種優(yōu)勢文化, 而所要肩負(fù) 的必要責(zé)任。 ~

測試中發(fā)現(xiàn)的幾個注意點：

1、若是一份英文文檔其對英文字母o絕大部分會識別為數(shù)字0。所以若是英文和數(shù)字的文檔，最好不要加入中文語言包，而是引入eng.traineddata語言包到D:\Program Files\Tesseract-OCR\tessdata目錄下。

看到OCR 類31-32行代碼

cmd.add("chi_sim");
//cmd.add("eng");

去掉 //cmd.add("eng");前的注釋，但記得在cmd.add("chi_sim");前加上注釋哦，不然你就看不到效果了哦。

2、測試中還發(fā)現(xiàn)一個問題，有時候在目錄下已經(jīng)生成臨時文件并且識別出的文字寫入到output.txt,但是在int w = process.waitFor();則阻塞了停止運行再也沒有反應(yīng)了，以致控制臺始終沒有打印出文字。

解析（參考）：剛開始想到直接去掉這個語句算了，但是運行的時候會報運行錯誤。最后在 http://www.cnblogs.com/xxpal/articles/824963.html看到下面一段文字說明：在 Windows平臺上，運行被調(diào)用程序的DOS窗口在程序執(zhí)行完畢后往往并不會自動關(guān)閉，從而導(dǎo)致Java應(yīng)用程序阻塞在waitfor()語句。導(dǎo)致該現(xiàn)象的一個可能的原因是，該可執(zhí)行程序的標(biāo)準(zhǔn)輸出比較多，而運行窗口的標(biāo)準(zhǔn)輸出緩沖區(qū)不夠大。解決的辦法是，利用Java中Process類提供的方法讓 Java虛擬機(jī)截獲被調(diào)用程序的DOS運行窗口的標(biāo)準(zhǔn)輸出，在waitfor()命令之前讀出窗口的標(biāo)準(zhǔn)輸出緩沖區(qū)中的內(nèi)容。

解決辦法：在int w = process.waitFor();代碼行前面加上

      String s;
      BufferedReader bufferedReader = new BufferedReader(new InputStreamReader(process.getInputStream()));
      while((s=bufferedReader.readLine()) != null);

int w = process.waitFor();

再次運行試試看吧。

posted on 2011-03-22 21:47 SIMONE 閱讀(46158) 評論(15) 編輯收藏

常用鏈接

留言簿(46)

隨筆分類(476)

隨筆檔案(495)

最新隨筆

搜索

積分與排名

最新評論

閱讀排行榜

評論排行榜


只有注冊用戶登錄后才能發(fā)表評論。




網(wǎng)站導(dǎo)航: 博客園 IT新聞 Chat2DB C++博客博問管理