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；即，针对印刷体字符，采用光学的方式将纸质文档中的文字转换成为黑白点阵的图像文件，并通过识别软件将图像中的文字转换成文本格式，供文字处理软件进一步编辑加工的技术。如何除错或利用辅助信息提高识别正确率，是OCR最重要的课题，ICR（Intelligent Character Recognition）的名词也因此而产生。衡量一个OCR系统性能好坏的主要指标有：拒识率、误识率、识别速度、用户界面的友好性，产品的稳定性，易用性及可行性等。
Tess4J是对Tesseract OCR API.的Java JNA 封装。使java能够通过调用Tess4J的API来使用Tesseract OCR。支持的格式：TIFF,JPEG,GIF,PNG,BMP,JPEG,and PDF
Tesseract 的github地址：https://github.com/tesseract-ocr/tesseract
Tess4J的github地址：https://github.com/nguyenq/tess4j
Tess4J API 提供的功能：
- 直接识别支持的文件
- 识别图片流
- 识别图片的某块区域
- 将识别结果保存为 TEXT/ HOCR/ PDF/ UNLV/ BOX
- 通过设置取词的等级，提取识别出来的文字
- 获得每一个识别区域的具体坐标范围
- 调整倾斜的图片
- 裁剪图片
- 调整图片分辨率
- 从粘贴板获得图像
- 克隆一个图像（目的：创建一份一模一样的图片，与原图在操作修改上，不相 互影响）
- 图片转换为二进制、黑白图像、灰度图像
- 反转图片颜色
创建maven项目
pom中引用jar包
<dependency>
<groupId>net.sourceforge.tess4j</groupId>
<artifactId>tess4j</artifactId>
<version>4.5.1</version>
</dependency>
下载语言库文件
语言库下载地址：https://github.com/tesseract-ocr/tessdata
其中chi_sim.traineddata为中文语言库，eng.traineddata为英文语言库。
在任意地方创建一个文件夹tessdata，将下载的chi_sim.traineddata 和 eng.traineddata语言包存放在该目录下，也可以直接存放到自己项目的resources/tessdata目录下。
PS：后期的OCR样本训练，实际上就是制作生成自己的语言库文件
代码示例
// 识别图片的路径（修改为自己的图片路径）
String path = "D:\\test.png";
File file = new File(path);
ITesseract instance = new Tesseract();
//获得Tesseract的文字库，设置语言库位置
URL tessdataPath = ClassLoader.getSystemResource("tessdata");
instance.setDatapath(tessdataPath.getPath().substring(1));
//chi_sim ：简体中文， eng：英文 根据需求选择语言库
instance.setLanguage("eng");
String result = null;
try {
long startTime = System.currentTimeMillis();
result = instance.doOCR(file);
long endTime = System.currentTimeMillis();
System.out.println("Time is：" + (endTime - startTime) + " 毫秒");
} catch (TesseractException e) {
e.printStackTrace();
}
System.out.println("result: ");
System.out.println(result);
测试图片：
结果：
参考：
Java使用Tess4J 实现简单的图像识别(Maven版)