Tesseract OCR

　　1、Tesseract OCR不仅可以处理简单的文本，还可以识别多种语言和复杂的文字排版，包括斜体文字和印刷体文字。

　　2、为了提高识别准确性，Tesseract OCR还提供了一些优化选项;例如是否识别斜体文字、忽略特定字符或识别特定字符等;

　　3、用户可以根据需要通过编辑词典或添加自己的训练数据来进一步定制OCR引擎以适应特定的需求。

　　1、在本站下载最新安装包，按提示安装

　　2、安装进行中，完成即可使用

　　tesseract-ocr使用教程：

　　下载完后进行安装，默认情况下安装程序会给你配置系统环境变量，以指向安装目录。

　　从开始菜单(或者安装目录)的Tesseract-OCR文件夹中，点击Console，启动命令行窗口。键入命令tesseract，会显示相关提示信息，可使用命令“tesseract --help-extra”显示更详细的帮助信息。

　　基本语法命令

　　进行文字识别的基本命令语法如下：

　　tesseract imagename outputbase [-l lang] [--oem ocrenginemode] [--psm pagesegmode] [configfiles...]

　　识别图片中的英文字母和数字

　　将图片保存为文件“D:\temp\abcdef.png”，使用命令

　　tesseract d:\temp\abcdef.png stdout进行识别

　　不能识别图片中的简体中文

　　上述软件安装过程中，并未安装简体中文的训练数据集。

　　已有的训练数据集可使用命令“tesseract --list-langs”查看，也可直接在目录“D:\Programs\Tesseract-OCR\tessdata”中查看扩展名为traineddata的文件。

      那如何使用java程序调用相应的tesseract进行操作呢?

      这里介绍2种方式

      一种是使用cmd方式，另外一种就是使用tess4j。tess4j的源码地址 http://sourceforge.jp/projects/sfnet-tess4j/ 中文首页

      感兴趣的自己下载查看源代码。

      由于范例代码较多就不一一贴出来了，会在文章结尾提供一个下载链接，大概讲下结构，

      如上图，tess4j包下是使用tess4j调用tesseract，src下的dll文件是需要使用到的。同时，加载的语言库文件也要放到tessdata目录下。而cmd 包下是使用cmd方式调用的范例，额外需要swingx-1.6.1.jar，调用时直接配置使用的安装的路径，并配置语言库即可。

      代码下载地址，由于附带了data文件，jar包等，所以会比较大，接近50M。导入到工程即可。各个包下都有测试的Test类，直接右键就可以运行。前提是对应目录下有相应图片。

      在cmd包下ClearImageHelper这个类是对图片进行处理的类，比如灰度转换，二值化，缩放等等，对于复杂图片可以先进行处理，来提高图片识别率。而tess4j下也封装了图片处理的工具类，基本都包含这些功能，例子中也给出了部分样例。

      Bty，话说使用原生态识别调用，跟tess4j得到的结果还是有所差别的。