昆明公司网站开发,工作室怎么开,php WordPress开发,wordpress站内全文检索安装
用 Homebrew 来安装 Tesseract
brew install tesseract
2. 完成 tessearact 的安装后#xff0c;还需要安装中文数据包#xff0c;执行以下两个操作#xff0c; brew info tesseract 执行这个指令的目的#xff0c;是找到 Homebrew 把 tesseract 安装在文件夹内还需要安装中文数据包执行以下两个操作
brew info tesseract 执行这个指令的目的是找到 Homebrew 把 tesseract 安装在文件夹内例如
/usr/local/Cellar/tesseract/3.05.02/share/tessdata/. 然后打开 Tesseract 的语言数据包的网页点击 “chi_sim.traineddata”电脑自动下载简体中文数据包。
git clone https://github.com/tesseract-ocr/tessdata_fast.git
git clone https://github.com/tesseract-ocr/tessdata_best.git 高清版
GitHub - tesseract-ocr/tessdata_best: Best (most accurate) trained LSTM models.
最后把简体中文数据包chi_sim.traineddata复制安装 tesseract 的文件夹内。 命令行用法
我们首先来看tesseract是否正确安装同时验证版本
$ tesseract --version
tesseract 4.1.0-rc1-56-g7fbdleptonica-1.76.0libgif 5.1.4 : libjpeg 8d (libjpeg-turbo 1.4.2) : libpng 1.2.54 : libtiff 4.0.6 : zlib 1.2.8 : libwebp 0.4.4 : libopenjp2 2.1.2Found AVX2Found AVXFound SSE
识别的基本用法是”imagename outputbase [options…]”4.1的版本options只能通过”-l”选择语言比如
tesseract test.png test -l chi_sim它对test.png进行ocr然后把识别结果保存在test.txt里。默认输出格式是文本文件我们也可以让它输出pdf
tesseract test.png test -l chi_sim pdf除此之外还有隐藏(extrac)的选项需要样这个命令才会显示这些高级功能
$ tesseract --help-extra
Usage:tesseract --help | --help-extra | --help-psm | --help-oem | --versiontesseract --list-langs [--tessdata-dir PATH]tesseract --print-parameters [options...] [configfile...]tesseract imagename|imagelist|stdin outputbase|stdout [options...] [configfile...]OCR options:--tessdata-dir PATH Specify the location of tessdata path.--user-words PATH Specify the location of user words file.--user-patterns PATH Specify the location of user patterns file.--dpi VALUE Specify DPI for input image.-l LANG[LANG] Specify language(s) used for OCR.-c VARVALUE Set value for config variables.Multiple -c arguments are allowed.--psm NUM Specify page segmentation mode.--oem NUM Specify OCR Engine mode.
NOTE: These options must occur before any configfile....省略了psm和oem的详细解释后面会介绍。比如使用psm很多老的文档都是
tesseract test.png test -l chi_sim -psm 1这在新版本会有问题必须用–psm才行
tesseract test.png test -l chi_sim --psm 1参数–oem指定使用的算法0代表老的算法1代表LSTM算法2代表两者的结合3代表系统自己选择。
参数–psm指定页面切分模式
Page segmentation modes:0 Orientation and script detection (OSD) only.1 Automatic page segmentation with OSD.2 Automatic page segmentation, but no OSD, or OCR. (not implemented)3 Fully automatic page segmentation, but no OSD. (Default)4 Assume a single column of text of variable sizes.5 Assume a single uniform block of vertically aligned text.6 Assume a single uniform block of text.7 Treat the image as a single text line.8 Treat the image as a single word.9 Treat the image as a single word in a circle.10 Treat the image as a single character.11 Sparse text. Find as much text as possible in no particular order.12 Sparse text with OSD.13 Raw line. Treat the image as a single text line,bypassing hacks that are Tesseract-specific.默认是3也就是自动的页面切分但是不进行方向(Orientation)和文字(script其实并不等同于文字比如俄文和乌克兰文都使用相同的script中文和日文的script也有重合的部分)的检测。如果我们要识别的是单行的文字我可以指定7。OSD算法参考这里。我们这里已经知道文字是中文并且方向是horizontal(从左往右再从上往下的写法古代中国是从上往下从右往左因此使用默认的3就可以了。
Java接口
Java接口使用的是javacpp-presets这个项目强烈推荐Java程序员关注一下它可以让Java开发者调用很多流行的C库包括OpenCV、FFmpeg、OpenBLAS、CPython、LLVM、CUDA、MXNet、TensorFlow等等。当然也包括我们这里用到的Leptonica和Tesseract。
依赖 dependencygroupIdorg.bytedeco.javacpp-presets/groupIdartifactIdtesseract-platform/artifactIdversion4.0.0-1.4.4/version/dependency我们这里只把C的基本用法和按行输出用Java实现其它的例子读者依葫芦画瓢把C代码变成等价的Java代码就行了。javacpp-presets实现的代码和C基本长得一样。
基本例子
完整代码在这里。
BytePointer outText;TessBaseAPI api new TessBaseAPI();
// Initialize tesseract-ocr with English, without specifying tessdata path
if (api.Init(null, eng) ! 0) {System.err.println(Could not initialize tesseract.);System.exit(1);
}// Open input image with leptonica library
PIX image pixRead(args.length 0 ? args[0] : testen-1.png);
api.SetImage(image);
// Get OCR result
outText api.GetUTF8Text();
System.out.println(OCR output:\n outText.getString());// Destroy used object and release memory
api.End();
api.close();
outText.deallocate();
pixDestroy(image);上面的代码和C的基本长得一样因为C没有GC因此需要下面那些销毁对象的操作。如果要识别中文那么需要修改Init的第二个参数
if (api.Init(null, chi_sim) ! 0) {但是如果直接执行会出现如下错误
Error opening data file /home/travis/build/javacpp-presets/tesseract/cppbuild/linux-x86_64/share/tessdata/eng.traineddata
Please make sure the TESSDATA_PREFIX environment variable is set to your tessdata directory.
Failed loading language eng
Tesseract couldnt load any languages!
Could not initialize tesseract.也就是默认会去”/home/travis/build/…“找模型这是travis ci的路径我们的机器当然没有。
为了解决这个问题有两种办法第一种是运行程序是设置环境变量
# 读者需要改成自己的路径
export TESSDATA_PREFIX/usr/share/tesseract-ocr/4.00/tessdata
java -cp .....另外一种方法就是调用init的时候指定路径
if (api.Init(/usr/share/tesseract-ocr/4.00/tessdata, eng) ! 0) {System.err.println(Could not initialize tesseract.);System.exit(1);
}按行输出
完整代码在这里。
BOXA boxes api.GetComponentImages(tesseract.RIL_TEXTLINE, true, (PointerPointer) null, null);
System.out.print(String.format(Found %d textline image components.\n, boxes.n()));
for (int i 0; i boxes.n(); i) {BOX box boxes.box(i);api.SetRectangle(box.x(), box.y(), box.w(), box.h());BytePointer text api.GetUTF8Text();int conf api.MeanTextConf();System.out.println(String.format(Box[%d]: x%d, y%d, w%d, h%d, confidence: %d, text: %s,i, box.x(), box.y(), box.w(), box.h(), conf, text.getString()));text.deallocate();
}另还有一种方法
!--tess4J ocr图像识别-- dependency groupIdnet.sourceforge.tess4j/groupId artifactIdtess4j/artifactId version4.4.1/version /dependency 原文链接https://blog.csdn.net/qq_39522120/article/details/135503159
