1. Tesseract: 简单的Java光学字符识别

1.1 介绍

开发具有一定价值的符号是人类特有的特征。对于人们来说识别这些符号和理解图片上的文字是非常正常的事情。我们不会像计算机那样去获取文字，我们完全是基于视觉和本能去阅读它们。

另一方面，计算机的工作需要具体的和有组织的内容。它们需要数字化的表示，而不是图形化的。

有时候，这是不可能的。有时，我们希望自动化的完成用双手从图像重写文本的任务。

针对这些任务，光学字符识别（OCR)被设计成一种允许计算机以文本形式“阅读”图形内容的方法，类似于人类的方式。当然，这些系统虽然相对准确，但仍然可能有相当大的偏差。即便如此，修复系统的错误结果也远比手工从头开始要容易和快速得多。

就像所有的系统一样，本质上是相似的，光学字符识别软件在准备好的数据集上进行训练，这些数据集提供了足够多的数据用来帮助学习字符间的差异。如果我们想让结果更加准确，那么这些网络如何学习也是非常重要的话题，不过这将是另外一篇文章的内容了。

与其重新造轮或者想出一个非常复杂（但有用）的解决方案，不如我们先坐下来看看已有的解决方案。

1.2 Tesseract

科技巨头Google一直在开发一个OCR引擎Tesseract，它从最初诞生到现在已有数十年的历史。它为许多语言提供了一个API，不过我们将专注于Tesseract的Java API。

Tesseract很容易实现，因此功能不是特别强大。它主要用于读取计算机在黑白图片上生成的文字，拥有较高的精度。但是这不是针对真实世界的文本。

对于现实世界中，更高级的光学字符识别，我们最好使用像谷歌Vision这样的东西，这将在另一篇文章中讨论。

1.2.1 Maven依赖

我们只需要简单的添加一个依赖，就可以将引擎引入到我们的项目：

<dependency>
    <groupId>net.sourceforge.tess4j</groupId>
    <artifactId>tess4j</artifactId>
    <version>3.2.1</version>
</dependency>

1.2.2 光学字符识别

使用Tesseract很简单：

Tesseract tesseract = new Tesseract();
tesseract.setDatapath("E://DataScience//tessdata");
System.out.println(tesseract.doOCR(new File("...")));

我们先实例化一个Tesseract实例，然后为已训练好的LSTM（长短期记忆网络）模型设置数据路径。

数据可以从官方GitHub帐号处下载。

然后我们调用doOCR()方法，该方法接受一个文件参数并且返回一个字符串——提取的内容。

让我们给它一张在白色背景上面有着大而清晰的黑色字母的图片：

提供上述这张图片会产生一个完美的结果：

Optical Character Recognition in Java is made easy with the help of Tesseract'

但是这张图片扫描起来异常简单。它已经被归一化了，有高分辨率，并且字体一致。

让我们来看看，如果我试着在纸上手写一些字符并将图片传递给应用程序会发生些什么：

我们可以立即看到它的改变：

A411“, written texz: is different {mm compatar generated but

有一些单词十分准确，并且你可以很轻松的辨认出“written text is different from computer generated”，但是第一个和最后一个单词差得有点多。

现在，为了让程序使用起来更简单，我们把它转换成一个非常简单的Spring Boot应用程序，用更加舒适的图形化界面来展示结果。

1.3 实现

1.3.1 Spring Boot应用程序

首先，从使用Spring Initializr创建我们的项目开始。它包含spring-boot-starter-web和spring-boot-starter-thymeleaf依赖。然后我们手动导入Tesseract：

1.3.2 控制器

该应用程序只需要一个控制器，它将为我们的两个展示页面，处理图片上传和光学字符识别提供服务：

@Controller
public class FileUploadController {

    @RequestMapping("/")
    public String index() {
        return "upload";
    }

    @RequestMapping(value = "/upload", method = RequestMethod.POST)
    public RedirectView singleFileUpload(@RequestParam("file") MultipartFile file,
                                   RedirectAttributes redirectAttributes, Model model) throws IOException, TesseractException {

        byte[] bytes = file.getBytes();
        Path path = Paths.get("E://simpleocr//src//main//resources//static//" + file.getOriginalFilename());
        Files.write(path, bytes);

        File convFile = convert(file);
        Tesseract tesseract = new Tesseract();
        tesseract.setDatapath("E://DataScience//tessdata");
        String text = tesseract.doOCR(convFile);
        redirectAttributes.addFlashAttribute("file", file);
        redirectAttributes.addFlashAttribute("text", text);
        return new RedirectView("result");
    }

    @RequestMapping("/result")
    public String result() {
        return "result";
    }

    public static File convert(MultipartFile file) throws IOException {
        File convFile = new File(file.getOriginalFilename());
        convFile.createNewFile();
        FileOutputStream fos = new FileOutputStream(convFile);
        fos.write(file.getBytes());
        fos.close();
        return convFile;
    }
}

Tesseract可以和Java的File类一起工作，但是不支持表单上传的MultipartFile类。为了处理这种情况，我们添加了一个简单的convert()方法，它将MultipartFile对象转换成一个普通的File对象。

一旦我们利用Tesseract提取出了文本，我们只需将其添加到模型中，与扫描的图像一起，并将它附加到重定向的展示页面 - result。

1.3.3 展示页面

现在，让我们定义一个包含简单文件上传表单的展示页面：

<html>
<body>
<h1>Upload a file for OCR:</h1>

<form method="POST" action="/upload" enctype="multipart/form-data">
    <input type="file" name="file" /><br/><br/>
    <input type="submit" value="Submit" />
</form>

</body>
</html>

还有一个结果页面：

<html xmlns:th="http://www.thymeleaf.org">
<body>

<h1>Extracted Content:</h1>
<h2>><span th:text="${text}"></span></h2>

<p>From the image:</p>
<img th:src="'/' + ${file.getOriginalFilename()}"/>
</body>
</html>

运行这个应用程序将会有一个简单的交互界面迎接我们：

添加一个图片并且提交它，屏幕上将会展示包含图片以及从图片内提取的文本的结果：

成功了！

1.4 结论

利用谷歌的Tesseract引擎，我们搭建了一个十分简单的应用，它接收从表单提交来的图片，从中提取文本内容，最后将结果和图片一起返回给我们。

这不是一个特别有用的应用程序，因为我们只使用了Tesseract有限的功能，而且该应用程序对于演示目的之外的任何其他用途都过于简单，但是它可以作为一个有趣的工具来实现和测试。

当你想数字化内容时光学字符识别可以很快上手，特别是遇到文档时。他们很容易被扫描，并且提取内容时准确程度也较好。当然，为了避免潜在的错误，对结果文档进行校对总是明智的。

原文：https://stackabuse.com/tesseract-simple-java-optical-character-recognition/ 作者：David Landup 译者：龙翔