Java使用Tess4J实现图像文字识别

　　OCR技术
　　OCR（OpticalCharacterRecognition），光学字符识别的意思，也被称作文字识别。简单讲就是对图片文件中的文字进行识别和提取的过程。现实生活中使用的场景也非常多，比如文件扫描、车牌号识别、图片内容识别等。图像识别也是人工智能的一个重要领域。Tess4J
　　Tesseract是一个开源的OCR引擎，Tess4J则是对TesseractOCRAPI的JavaJNA封装，使java能够通过调用Tess4J的API来使用TesseractOCR。TesseractOCR是支持Tess4J进文件文字识别的基础，Tess4J支持TIFF、JPEG、GIF、PNG、BMP、PDF等格式。Tess4J可直接使用Maven方式引入。快速体验
　　环境信息
　　操作系统：Ubuntu18。04。6LTS
　　JDK：openjdkversion1。8。0352
　　Maven：ApacheMaven3。6。0
　　1、安装Tesseract
　　按照官方文档安装Tesseract，Ubuntu系统可以直接通过apt来安装。sudoaptinstalltesseractocrsudoaptinstalllibtesseractdev
　　2、新建maven工程，引入tess4j依赖。dependencygroupIdnet。sourceforge。tess4jgroupIdtess4jartifactIdversion5。4。0versiondependency
　　3、下载tess4j语言库，下载好后将tessdata文件夹拷贝到maven工程项目代码里，与src目录同级。
　　代码结构
　　4、java调用tess4j实现图像识别，代码如下：packageorg。cj。tess4j；importnet。sourceforge。tess4j。ITesseract；importnet。sourceforge。tess4j。Tesseract；importnet。sourceforge。tess4j。TesseractException；importjava。io。File；publicclassDemo｛publicstaticvoidmain（String〔〕args）throwsTesseractException｛ITesseractinstancenewTesseract（）；指定语言训练模型数据的目录instance。setDatapath（tessdata）；指定语言种类，中文是chisiminstance。setLanguage（chisim）；FileimageFilenewFile（imagestess4j4ocr1。png）；longstartTimeSystem。currentTimeMillis（）；Stringresultinstance。doOCR（imageFile）；System。out。println（识别结果：resultr耗时：（System。currentTimeMillis（）startTime）ms）；｝｝
　　5、运行预览
　　图片内容
　　图片内容
　　识别结果
　　识别结果注意问题
　　1、运行的时候提示Unabletoloadlibrarytesseract
　　提示这个是因为没有安装tesseract，ubuntu环境执行sudoaptinstalltesseractocr安装。
　　2、运行的时候提示readparamsfile：parameternotfound：enablenewsegsearch
　　这里下载的训练数据包是有问题的，在这重新下载tessdata训练数据包。使用总结
　　1、Tesseract最大优势就是开箱即用，且拥有大量的语言训练数据。
　　2、识别的速度慢、耗时长。
　　3、识别的精度不是很高，甚至有时候会很低，此时就需要自己按需去训练数据包了。
　　4、依赖语言训练包，官方提供了三种训练数据包，分别是tessdatafast、tessdatabest、tessdata，这三个训练数据包的差异如下，具体可到官网查阅，推荐使用tessdatabest数据包。
　　TraineddataCompare