Java OCR识别技术图像转文本信息

软件技术系统架构 Java Linux Rust

OCR技术

OCR技术是光学字符识别的缩写(Optical Character Recognition)，利用文字识别技术将图像信息转化为文本信息。应用于银行票据、大量文字资料、档案卷宗、文案的录入和处理领域，例如：自动识别身份证号码，将AI引入审核场景，与风控规则相结合，减少人为对图片的审核，大大提高审核效率。

OCR开发包

由于图像技术门槛较高，特别是中文语言库需要大量的训练才能达到较高的识别率。目前很多OCR软件，一般都是借用大公司的API接口实现的，如百度OCR接口。在线接口识别率比较高，但受限于网络和调用次数，有些场景须考虑离线使用。

开源的OCR识别框架 Tesseract-OCR (https://github.com/tesseract-ocr )，由HP实验室开发，后由Google维护的开源OCR引擎，可以不断的训练语言库，使图像转换文本的能力不断增强。 SDK包含libtesseract、命令行程序，支持跨平台开发，支持Java，Python等语言调用，建议选择4.0以后版本，准确率有较大提升，需要识别中文信息可单独添加中文词库。

Tess4J是Java对libtesseract包装，这里使用Tess4J识别图片信息。

引入Tess4j开发包

<dependency>
	<groupId>net.sourceforge.tess4j</groupId>
	<artifactId>tess4j</artifactId>
	<version>4.5.1</version>
</dependency>

Java代码

/**
 * 根据图片文件进行识别
 * 
 * @param imageFile 图片文件
 * @param lang 指定语言库
 * @return 识别文本信息
 */
public static String doOCRFromFile(File imageFile,String lang) throws Exception {
	ITesseract instance = new Tesseract();
	instance.setDatapath(DATA_PATH); //指定语言库目录 
	instance.setTessVariable("user_defined_dpi", "300");
	instance.setLanguage(lang);
	String result = instance.doOCR(imageFile);
	return result;
}
/**
 * main method
 */
public static void main(String[] args) {
	//SpringApplication.run(OxOcrApp.class, args); //测试不用启用springboot
	System.out.println("OxOcrApp 已启动");
	try {
		//设置训练库的位置
		OCRUtils.DATA_PATH=System.getProperty("user.dir")+"/config";
		OCRUtils.DEFAULT_LANG="eng"; //eng ：英文  chi_sim ：简体中文
		
		String ocrText = OCRUtils.doOCRFromFile(new File("d:/temp/java.jpg")); //指定要识别的图片文件
		System.out.println("识别文本信息："+ocrText); //OCR识别结果：图像转文本
		
		//testCapture();
	} catch (Exception e) {
		e.printStackTrace();
	}
}