Java使用Tess4J实现图像文字识别

　　OCR技术
　　OCR（Optical Character Recognition），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Tesseract OCR API的Java JNA封装，使java能够通过调用Tess4J的API来使用Tesseract OCR。Tesseract OCR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：Ubuntu 18.04.6 LTS
　　JDK：openjdk version ＂1.8.0_352＂
　　Maven：Apache Maven 3.6.0
　　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。sudo apt install tesseract-ocr sudo apt install libtesseract-dev
　　2、新建maven工程，引入tess4j依赖。     net.sourceforge.tess4j     tess4j     5.4.0 
　　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：package org.cj.tess4j;  import net.sourceforge.tess4j.ITesseract; import net.sourceforge.tess4j.Tesseract; import net.sourceforge.tess4j.TesseractException;  import java.io.File;  public class Demo {     public static void main(String[] args) throws TesseractException {         ITesseract instance = new Tesseract();         //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chi_sim         instance.setLanguage(＂chi_sim＂);         File imageFile = new File(＂images/tess4j/4ocr-1.png＂);         long startTime = System.currentTimeMillis();         String result = instance.doOCR(imageFile);         System.out.println(＂识别结果: ＂ + result + ＂r 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Unable to load library ＂tesseract＂
　　提示这个是因为没有安装tesseract，ubuntu环境执行sudo apt install tesseract-ocr  安装。
　　2、运行的时候提示read_params_file: parameter not found: enable_new_segsearch
　　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tessdata_fast、tessdata_best、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tessdata_best数据包。
　　Traineddata Compare