Tika结合Tesseract-OCR 实现光学汉字识别（简体、宋体的识别率百分之百）—附Java源码实现及真实测试数据和训练集下载地址...
?
?OCR(Optical character recognition) —— 光學文字識別，是圖像處理的一個重要分支，中文的識別具有一定挑戰性，特別是手寫體和草書的識別，是重要和熱門的科學研究方向。可惜國內的科研院所，基本沒有大量的高識別率的訓練集—筆者聯系過北京語言大學研究生一篇論文的作者，他們說有%90的正確識別率，結果只做了簡單的2000字。真的是為了論文而論文。
斯坦福大學有個工程項目，專門做中文漢字的識別——歐美發達國家的科研院所更有研究精神
?
提高識別率，訓練集是關鍵！
?提高識別率，訓練集是關鍵！！
?提高識別率，訓練集是關鍵！！！
?
下載訓練集—traineddata請移步：
https://github.com/tesseract-ocr/tessdata
中文請選如下4個：
chi_sim.traineddata （簡體— 對于宋體，像素>=?300dpi:識別率高達%100，同時對英文及阿拉伯數字識別率高達百分之90以上）
chi_sim_vert.traineddata （簡體，豎排）
chi_tra.traineddata （繁體）
chi_tra_vert.traineddata（繁體，豎排）【CoderBaby】
?
經過測試得出如下結論：
- 對于宋體，白色背景，非傾斜等，像素大于等于300dpi—識別率%100
- 英文和數字，識別率超過90%
- 特殊字符識別率不高
- 像素太低，識別率急劇下降
- 多種背景顏色變化，識別率極低
- 字體換成草書等，識別率大幅降低
- 電影屏幕字幕和網頁截圖識別率較低
- 掃描件如果字體太淡，太小，完全識別不出來
- 提高識別率，需要自己做訓練集，工作量巨大的體力活（簡體漢字最少6753個，混合一些復雜的，至少要10000個字符；不同字體要重新做，因為本質上是圖形幾何計算，國內科研院所和開源的做的不多—待確認）
?
- Java源碼實現，tika結合Tesseract-OCR
（1）源碼如下(支持多個圖片識別）
@Testpublic void testCode() throws IOException, SAXException, TikaException, InterruptedException {List<String> fileNames = new ArrayList<>();fileNames.add("chi_eng.png");fileNames.add("chi_eng01.png");fileNames.add("chi_old.png");fileNames.add("chi-scan-75dpi.jpg");fileNames.add("chi-scan-100dpi.jpg");fileNames.add("chi-scan-300dpi.jpg");fileNames.add("chi-smartphone.jpg");fileNames.add("chi-subtitle-v1.jpg");fileNames.add("english00.png");fileNames.add("pdf_shaomiao.png");fileNames.add("test.tiff");fileNames.add("weather.png");// 轉載請注明出處：https://www.cnblogs.com/NaughtyCat/p/how-to-install-tesseract-ocr-on-windows-and-centos.htmlTesseractOCRParser parser = new TesseractOCRParser();TesseractOCRConfig config = new TesseractOCRConfig();// 設置簡體中文訓練集config.setLanguage("chi_sim");// 設置Tesseract 安裝路徑config.setTesseractPath("C:/Program Files/Tesseract-OCR");// 設置train data 路徑config.setTessdataPath("C:/Program Files/Tesseract-OCR/tessdata");ParseContext context = new ParseContext();context.set(TesseractOCRConfig.class, config);context.set(TesseractOCRParser.class, parser);fileNames.forEach(filename -> {BodyContentHandler handler = new BodyContentHandler();File file = new File("E:/tika/testData" + File.separator + filename);if (file.exists()) {Metadata metadata = new Metadata();try (InputStream stream = new FileInputStream(file)) {parser.parse(stream, handler, metadata, context);} catch (Exception e) { }handler.toString();}});} }- 測試數據（圖片）說明及下載地址
具體說明及測試效果請參見：https://ocr.space/blog/2015/03/best-ocr-software-for-chinese.html
相關測試圖片請參見：https://github.com/A9T9/OCR-Benchmark
?
- ?如何做自己的測試數據集
?
請參考官網：https://github.com/tesseract-ocr/tesseract/wiki/Training-Tesseract-3.00%E2%80%933.02?
?
(2)原始圖片及效果
圖1
?
轉換效果如下：
【結論】
300dpi，識別率：%100
?
?
圖2
轉換效果如下：
Brief history
Tesseractwes orginally developed at HewlettPackard Laboratones Bristol and
atHewettPackard Co Greeley Colorado beween 1985 and 1994 wthsome
more changes made in 1996 to portto Windows and some C++zing in1998
In2005 Tesseract was open sourced by HP Since 2006 itis developed by Goosgle
Thelatest (LSTM based]j stableversionis4.10, released on July 7.2019.Latest source codes avaable from
master branch on GlHub.Openissues can be foundin ssue racker and Planning iki
?
Thelatest35 version 5 3.05.02 released onjune 19,2018.Latestsource code for3.055 avaable from
305 branch on GlHHub.There sno development forthisversion,butitcan be used forspecial cases .
see Regression offeatures from 30x
?
See Release Notes and Change Log formore detas ofthe releases-
Installing Tesseract
You can ettherInstall Tesseractvia prepulltbinary package or pulld iLfrom sourcey
Supported Complersare:
* GCC48 and above
* ang34and above
* MSVC 2015.2017.2019
Othercompllersmightwork butare notofially supportedl
Running Tesseract
Basiccommand line usage:
tesseract inagenane outputbase [-1 ]ang】 [--osn ocrenginenode] [--psn pagesegnode
[configfiles...]
Formore information aboutthe various command line options use esseract --henp or man tesseract .
Examples can befoundin thewiki
For developers
Developers can use Tbtessaract Cor
【結論】
英文，特殊符號等會識別失敗。識別率：>%80
?
圖3.
?轉換效果如下：
E g 氣
?
Even as Tvanja praised 8e parties Envoyed i 功 i5 7el gzamt7 comgpi 地 08
Qchieveze1 Q 7W7Der- Ofsocial media lsers appeared crilical of er as-
Sesszet 0f 加 e Trip adiistration「5 role 加 功 i5 endeavou7
IBM 表 示 不 服 ,Google 不 care。 下 而 讓 我 們 逐 字 逐 句 來 看 他 們 的 論 文
吧 , 對 于 爭 論 的 事 情 , 自 己 下 功 夫 搞 清 楚 。
?
松 貴 瑩 坊 辦 少
忠 : https:/ww.cnblogs-com/NaughtyCatpytranslate-of-google-
Quantum-supremacy-article-published-on-nature.html
Quantum supremacy using
a programmable
?
superconducting
processor
基 于 可 編 程 的 超 導 處 理 器 實 現 的 量 子 霸
權
?
動 關 盤 源 ,https://doorg/10.1038/s41586-019-1666-5
煌 收 船 2019 樂 7 歷 20 歷
旋 準 8 船 2019 樂 9 歷 20 廠
坊 終 發 療 2019 知 10 月 23 廳
Abstract
引 言
?
量 子 計 算 機 吹 牛 遢 說 , 對 于 特 定 的 計 算 任 務 , 基 于 量 子 處 理 器 的 計 算
機 , 其 速 度 相 較 于 經 典 處 理 器 呈 指 數 級 增 長 。 根 本 的 挑 戰 在 于 構 建 一
?【結論】
宋體，加粗，黑色——識別率%100；傾斜，綠色等——識別率：%70
圖4（掃描件）.
?
?
?
?轉換效果如下：
節 P a
為客戶服務是華為存在的睢一理由” 從 公 司 層 面
看 , 為客戶創造價值的主業務流只有一個!
Ipo - nisgniedProductDevelopment
B croeis PaFA 4 辜蒙扁)
?
Unc - LomdTocash
蕓 a npe waa8 2 菅墨
E Ig - ssueToResoliton 林
P L a 顫〉
?
n i t t
?
?
?
6 P: 01
IP0 主 業 務 流 包 括 : MW 流 程 、0R 流 程 、IPD 流 程
?
?
D
4 一
【結論】
pdf掃描件，只有比較大，比較粗的字能識別出來，顏色較淡的識別不出來
識別率：約%10
?圖5.
?
?
轉化效果如下：
大 行 佳 孔 當 自 弼 不 。
。
巧 者 勞 而 春 者 忱 , 無 能 者 無 所 必 , 作 食 而 邀
游 , 陸 若 不 系 之 舟 。
。
Chacgyuisdt.
。
124565.
。
12256 dogdogunnn
。
。
【結論】
漢字、英文、數字混合
識別率：%60~%70
?
圖6（天氣網頁截圖）
?
轉換效果如下：
L f
全 國 > 囚 川 > 尿 膳 > 坂 區
今 奪 偉 8-15 天
?
llc/4rc
?
?
?
?
?
208 238 028 058
人 [ [ 92
s
c E E
無 RR 無 RR 無 RR 無 RR
< < < <
【結論】
背景顏色（藍色，灰色，黑色、橙色）；字體顏色（黑色、白色）。識別率：不到%10
?
圖7.
轉換效果如下：
機 器 人 餐 廳
cra arenzanmu nnanmes
seeu xraguagpt. ssepumes
人 吊 pahs ztpznaapsus anea
an sro an sessuassnet
e ssoangm crmazees aas
iusiaanorg.mmouz rpeae
snreenatesezur eeae t
+ngszensenapenecieme
礦 svapgzanohat
【結論】
75dpi，識別率：約為%5 【CoderBaby】
?
?
圖8（電影字幕截圖）.
轉換效果如下：
?
E
1 30
E
55
【結論】
背景顏色（漸變灰），字體為白色——識別率：%0
?
圖9（古籍）.
?
?
轉換效果如下：
?
茂 長 萬 灰 咆
恍 “ 望 瀧 “ 松 驅
明 匹 一 圖 撫 札 狐
東 非 “ 柳 一 吳
埕 躍 X“ 埋 煌 弟
儀 懷 坂 稱 鳥 場 “
下 泊 聰 遇 林固 “
| 靴 猶 “
?
【結論】
豎排，古籍版 （需要“chi_tra.traineddata及“chi_tra_vert.traineddata”）——識別率：%0
?
?
圖9（手機拍照圖片）.
轉換效果如下：
?
?
?
?
在 中 國 , 餐 廳 里 的 菜 通 常 很 特 別 , 但 是 有 時 候 做 菜 和 服 務
的 人 也 很 特 別 : 不 久 前 昆 山 一 家 餐 廳 開 業 , 這 家 餐 廳 從 歡 迎 宰
人 、 點 菜 、 制 作 到 上 菜 , 大 部 分 工 作 都 由 機 器 人 完 成 。 餐 廳 經 理
宋 育 剛 對 他 的 “ 員 工 “ 很 滿 意 。 這 些 機 咤 人 能 理 解 40 句 日 常 生
?
?
?
?
活 用 語 , 因 此 可 以 與 顧 客 交 流 。 讓 宋 育 剛 最 滿 意 的 是 , 他 的 這 些
員 工 們 既 不 會 生 病 也 不 會 請 假 。 充 電 兩 個 小 時 后 , 它 們 就 又 能
投 入 使 用 了 , 因 此 它 們 要 比 普 通 員 工 優 秀 。 對 于 顧 客 來 說 , 技 術
水 平 有 沒 有 達 到 能 使 這 些 機 蹇 人 廚 師 很 好 地 調 味 還 不 得 而 知 。
不 過 , 機 器 人 廚 師 倒 是 非 常 令 人 期 待 。
【結論】
手機拍照圖片，還算清晰的——識別率：%100
?
轉載請注明出處：https://www.cnblogs.com/NaughtyCat/p/tika-support-Tesseract-OCR-with-source-code-and-test-data.html
?
參考：
1）https://stackoverflow.com/questions/23792373/installing-tesseract-ocr-on-centos-6
2）http://www.zmonster.me/2015/04/17/tesseract-install-usage.html?
?
*****************************************************************************************************
精力有限，想法太多，專注做好一件事就行
- 我只是一個程序猿。5年內把代碼寫好，技術博客字字推敲，堅持零拷貝和原創
- 寫博客的意義在于打磨文筆，訓練邏輯條理性，加深對知識的系統性理解；如果恰好又對別人有點幫助，那真是一件令人開心的事
*****************************************************************************************************
?
總結
以上是生活随笔為你收集整理的Tika结合Tesseract-OCR 实现光学汉字识别（简体、宋体的识别率百分之百）—附Java源码实现及真实测试数据和训练集下载地址...的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： EZEMC测试软件_什么是EMC测试
- 下一篇： html边框闪烁代码,纯css实现动态边