背景

我们上一节讲过了针对英文的 ocr 实现,现在我们来尝试一下中文识别。

我们准备一张简单的中文图片:

image

准备工作

下载中文训练集

下载地址 所有语言的训练集

此处直接下载 简体中文训练集,然后将其拷贝到我们的

tessdata 文件夹中:

C:\Program Files (x86)\Tesseract-OCR\tessdata

编码

package com.github.houbb.ocr;

import net.sourceforge.tess4j.ITesseract;
import net.sourceforge.tess4j.Tesseract;
import net.sourceforge.tess4j.TesseractException;

import java.io.File;

/**
 * @author binbin.hou
 * @since 1.0.0
 */
public class Main {

    public static void main(String[] args) throws TesseractException {
        ITesseract instance = new Tesseract();
        // 指定训练数据集合的路径
        instance.setDatapath("C:\\Program Files (x86)\\Tesseract-OCR\\tessdata");
        // 指定为中文识别
        instance.setLanguage("chi_sim");

        // 指定识别图片
        File imgDir = new File("D:\\code\\ocr\\src\\main\\resources\\nihao.png");
        long startTime = System.currentTimeMillis();
        String ocrResult = instance.doOCR(imgDir);

        // 输出识别结果
        System.out.println("OCR Result: \n" + ocrResult + "\n 耗时:" + (System.currentTimeMillis() - startTime) + "ms");
    }

}

测试结果

OCR Result: 
你 好 啊 , 文 字 识 别 。

 耗时:1499ms

总结

目前看来还是比较简单的,但是实际应用常见会更加的复杂。

比如中英文混杂的文字,如何降低色彩等噪音信息。

关于图片相关的信息也需要进一步学习。

参考资料

Java OCR 图像智能字符识别技术,可识别中文

Java 实现OCR 识别图像文字(手写中文)—-tess4j