整合Tess4J实现OCR图片识别技术

1. 什么是OCR

**OCR （Optical Character Recognition，光学字符识别）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. 什么是Tess4J库?

**Tess4J是一个开源的Java库，它为Tesseract OCR（光学字符识别）引擎提供了一个简单的Java API。Tesseract是一个强大的开源OCR引擎，可以将图像中的文本转换为可编辑的文本。Tess4J使得在Java应用程序中使用Tesseract OCR变得更加容易。 **

主要功能和特点

• 文本提取：能够从图像中提取文本，包括印刷文本和手写文本。
• 多语言支持：支持多种语言的OCR，包括但不限于英语、中文、日语、韩语等。
• 简单的API：提供了易于使用的Java API，使开发者可以轻松地将OCR功能集成到他们的Java应用程序中。
• 扩展性：支持自定义词典和训练数据，以提高特定应用场景下的OCR准确性。
• 图像处理：支持基本的图像处理功能，如图像预处理，以提高OCR的准确性。

3. 引入依赖

<!-- tess4j -->
<dependency>
    <groupId>net.sourceforge.tess4j</groupId>
    <artifactId>tess4j</artifactId>
    <version>4.5.4</version>
</dependency>

4. 下载默认的训练数据

训练数据下载地址

5. 配置训练数据的目录路径

# 训练数据文件夹的路径
tess4j:
  datapath: E:\Software\trainData # 注意改成自己的文件路径

6. 测试代码

6.1 TesseractOcrConfig

/**
 * @author Ccoo
 * 2024/7/19
 */
@Configuration
public class TesseractOcrConfig {

	@Value("${tess4j.datapath}")
	private String dataPath;

	@Bean
	public Tesseract tesseract() {

		Tesseract tesseract = new Tesseract();
		// 设置训练数据文件夹路径
		tesseract.setDatapath(dataPath);
		// 设置为中文简体
		tesseract.setLanguage("chi_sim");
		return tesseract;
	}
}

6.2 OcrController

/**
 * @author Ccoo
 * 2024/7/19
 */
@RequestMapping("/ocr")
@RestController
@AllArgsConstructor
public class OcrController {

	private final OcrService ocrService;

	@PostMapping(value = "/recognize", consumes = MediaType.MULTIPART_FORM_DATA_VALUE)
	public String recognizeImage(@RequestParam("file") MultipartFile file) throws TesseractException, IOException {

		// 调用OcrService中的方法进行文字识别
		return ocrService.recognizeText(file);
	}

}

6.3 OcrService

public interface OcrService {

    String recognizeText(MultipartFile file) throws IOException, TesseractException;

}

6.4 OcrServiceImpl

/**
 * @author Ccoo
 * 2024/7/19
 */
@Service
@AllArgsConstructor
public class OcrServiceImpl implements OcrService {

	private final Tesseract tesseract;

	/**
	 * 识别图片中的文字
	 * @param imageFile 图片文件
	 * @return 文字信息
	 */
	public String recognizeText(MultipartFile imageFile) throws IOException, TesseractException {

		// 转换
		InputStream sbs = new ByteArrayInputStream(imageFile.getBytes());
		BufferedImage bufferedImage = ImageIO.read(sbs);

		// 对图片进行文字识别
		return tesseract.doOCR(bufferedImage);
	}
}

7. 功能测试

7.1 调试请求接口

7.2 测试结果

默认训练库的识别率还是可以的, 对于需要识别率更高的, 需自行训练!!