【Java-tesseract】OCR图片文本识别

一、需求

场景需求:是对识别常见的PNG,JPEG,TIFF,GIF图片识别，环境为离线内网。组件要求开源免费，并且可以集成Java生成接口服务。

二、概述

我不做选型对比了,我筛选测试了下Tesseract(v5.5.0)是比较符合我的需求的。其 支持多种图像格式进行光学字符识别（OCR），以下是 Tesseract 支持的主要图像格式：

1. 常见图像格式：

• PNG：无损压缩格式，是最常用的图像格式之一，适用于OCR，因为它可以保留图像细节。
• JPEG（JPG）：有损压缩格式，通常用于照片和复杂图像。尽管可能存在质量损失，Tesseract 依然能够处理 JPEG 格式的图像。
• TIFF：一种无损压缩格式，常用于扫描文档。TIFF 格式通常比 JPEG 更适合OCR，因为它保留了更多细节。
• BMP：位图格式，通常较大，但Tesseract也支持该格式。
• GIF：支持的图像格式，尽管在颜色精度和压缩效率方面不如 PNG 或 TIFF。

2. 支持的颜色模式：
   Tesseract 支持不同的颜色模式来处理图像：

• RGB：标准的三通道图像，支持彩色图像。
• Grayscale：灰度图像模式，通常用于文档图像。
• Black & White (1-bit)：黑白图像，通常在扫描的文档或手写文本中使用。

3. 其他支持的图像格式：
   Tesseract 还支持通过某些图像处理库（如 PIL）处理的其他图像格式。通过 Python 的 pytesseract，你还可以使用一些其他图像格式，如：

• WEBP：一种新的图像格式，常用于Web图片。
• PPM/PGM：一个无损的图像格式，通常用于科学计算中。
• HEIF：高级图像文件格式（如 iPhone 图片），Tesseract 可以通过额外的库来支持。

4. 图像转换和预处理：
   尽管 Tesseract 支持多种格式，通常对于 OCR 的最佳效果，建议图像为高质量的灰度图像（即灰度模式）。如果原始图像格式过大或质量不高，可以考虑进行预处理，如：

• 裁剪：去除不必要的边缘区域。
• 二值化：将图像转换为黑白色调，以提高文字识别的准确性。
• 去噪：去除背景噪音，有助于提高识别效果。
• 旋转：如果文档有角度，可以对其进行旋转校正。

5. 官网地址

• github:tesseract-ocr地址
• 官网文档：官网文档
• 安装包地址:软件发行版下载地址

三、部署安装

我上传了下面两个部署包，提供给无法访问github的同学使用:部署包

1. windwos下载:下载安装即可
   
2. linux部署:需要下载.tar.gz源码包编译
   我这边使用ubuntu24.10容器部署编译了tesseract5.5.0,并且打包成了tar压缩包,需要的同学可以去这里下载。当然也可以自己用gcc编译。注意(该docker没有那种java等，属于一个轻量包，方便后续你进行扩展)
   我上传的文件地址:tesseract.tar

• 使用方法：

#加载镜像文件
docker load -i tesseract.tar
#运行镜像
docker run -itd --name tesseract -v ./data:/data tesseract:v0

• 调用服务
  若需要将tesseract提供给外部使用，需要使用java开发接口，通过http将服务暴露给外部使用。

#可以进入容器
docker exec -it tesseract /bin/bash
#执行一下命令解析图片测试,需要图片放到./data中挂载到容器的/data中,-l chi_sim是识别中文
tesseract input_image.png output_text -l chi_sim

3. 整合包(重量)
   相对上述2，新增了整合了java和tesseract语言包的docker镜像tesseract-java，其可以开箱即用,但是很大有1.81G，需要7Z压缩下。
   整合包地址:整合包地址
   1.使用教程与上述2操作一致，区别如下:

1.容器中服务端口为8080，启动时你可以将端口暴露出来
2.jar包目录:/home
3.启动命令:sh /home/start.sh start
4.docker run -itd --name tesseract -p 8080:8080 wanchen/tesseract-java:v2
# 原谅我懒，没做成服务。。大家自己实现

2.服务调用

POST:http://服务节点IP:8080/orc/transform
form-data:file

四、技术细节

1. java代码调用tesseract

package com.develop.guide.service;
import lombok.extern.slf4j.Slf4j;
import net.sourceforge.tess4j.Tesseract;
import net.sourceforge.tess4j.TesseractException;
import org.springframework.beans.factory.annotation.Value;
import org.springframework.scheduling.annotation.Async;
import org.springframework.stereotype.Service;
import org.springframework.web.multipart.MultipartFile;import java.io.File;
import java.io.IOException;
import java.util.concurrent.CompletableFuture;@Slf4j
@Service
public class OCRService {@Value("${ocr.path}")
//    我容器默认/usr/local/share/tessdataprivate String tessDataPath;@Value("${ocr.tempPath}")
//    文件临时存储地址private String tempFilePath;private final Tesseract tesseract;public OCRService() {// 初始化 Tesseract 对象this.tesseract = new Tesseract();tesseract.setDatapath(tessDataPath);//可以选择设置 OCR 语言this.tesseract.setLanguage("eng+chi_sim");}/*** 将接口传输来的文件转换为String* @param multipartFile* @return* @throws Exception*/@Asyncpublic CompletableFuture<String> recognizeTextFromImage(MultipartFile multipartFile){File file = new File(tempFilePath+multipartFile.getOriginalFilename());String result = "";try {multipartFile.transferTo(file);result = tesseract.doOCR(file);} catch (IOException e) {log.error("转换前端文件异常!");throw new RuntimeException(e);} catch (TesseractException e) {log.error("ocr识别异常!");throw new RuntimeException(e);}finally {if (file.exists() && !file.delete()) {log.warn("临时文件删除失败: {}", file.getAbsolutePath());}}return CompletableFuture.completedFuture(result);}}

2. pom

<parent><groupId>org.springframework.boot</groupId><artifactId>spring-boot-starter-parent</artifactId><version>3.2.8</version><relativePath/> <!-- lookup parent from repository -->
</parent>
<dependencies><dependency><groupId>org.springframework.boot</groupId><artifactId>spring-boot-starter-web</artifactId></dependency><dependency><groupId>org.projectlombok</groupId><artifactId>lombok</artifactId></dependency><dependency><groupId>net.sourceforge.tess4j</groupId><artifactId>tess4j</artifactId><version>5.11.0</version></dependency></dependencies>

3. 接口

package com.develop.guide.controller;import com.develop.guide.service.OCRService;
import org.springframework.beans.factory.annotation.Autowired;
import org.springframework.web.bind.annotation.PostMapping;
import org.springframework.web.bind.annotation.RequestMapping;
import org.springframework.web.bind.annotation.RequestParam;
import org.springframework.web.bind.annotation.RestController;
import org.springframework.web.multipart.MultipartFile;import java.util.concurrent.ExecutionException;/*** @author wanChen* @ClassName ORCController* @Description:* @Version 1.0*/
@RestController
@RequestMapping("/orc")
public class ORCController {private final OCRService ocrService;@Autowiredpublic ORCController(OCRService ocrService) {this.ocrService = ocrService;}@PostMapping("/transform")public String transform(@RequestParam("file") MultipartFile file) {String result = "无法识别:"+file.getName();try {result = ocrService.recognizeTextFromImage(file).get();} catch (InterruptedException e) {throw new RuntimeException(e);} catch (ExecutionException e) {throw new RuntimeException(e);}return result;}
}

4. 启动类

package com.develop.guide;import org.springframework.boot.SpringApplication;
import org.springframework.boot.autoconfigure.SpringBootApplication;
import org.springframework.scheduling.annotation.EnableAsync;@SpringBootApplication
@EnableAsync
public class SpringbootGuideApplication {public static void main(String[] args) {SpringApplication.run(SpringbootGuideApplication.class, args);}}

五、总结

Tesseract 5.5.0 的优劣势分析

1. 优势：

• 高精度、多语言支持，适合处理各种语言的 OCR 任务。
• 开放源代码，社区活跃，灵活且免费的 OCR 工具。
• 强大的训练和微调能力，适合定制化应用。
• 支持多种输出格式，能够适应不同的需求。
• 跨平台支持，适用于 Linux、Windows 和 macOS。
• 多线程支持，能够提升处理速度，尤其在处理大量图像时。

2. 劣势：

• 对图像质量敏感，需要良好的图像质量才能达到最佳效果。
• 手写文字、特殊字体和复杂文档布局的识别效果较差。
• 需要大量训练数据，且训练过程较为复杂。
• 配置和使用相对复杂，特别是在高级功能和定制化应用时。
  总体来说，Tesseract 5.5.0 是一个非常强大且灵活的 OCR 工具，尤其适合需要进行自定义训练、批量 OCR 处理、以及开发开源项目的用户。对于一些特殊的应用场景（如手写识别、复杂布局文档等），可能需要考虑其他商业OCR软件或结合多种技术进行优化。