教你實(shí)現(xiàn)一個(gè)提取圖片上文字的Java項(xiàng)目！

摘要

近日瀏覽網(wǎng)上一些圖片提取文字的網(wǎng)站，覺(jué)得甚是有趣，花費(fèi)半日也做了個(gè)在線圖片識(shí)別程序，完成了兩個(gè)技術(shù)方案的選擇，一是tesseract+python flask的方案實(shí)現(xiàn)，二是tesseract+spring web的技術(shù)解決方案，并簡(jiǎn)作論述，與君共勉。

一、tesseract-ocr介紹

ocr含義是Optical Character Recognition，含義即視覺(jué)字符識(shí)別。而tesseract是該領(lǐng)域特別優(yōu)秀開(kāi)源的作品。

官方的tesseract定義：

“

OCR engine - libtesseract and a command line program - tesseract.

”

即tesseract包括一個(gè)視覺(jué)字符識(shí)別引擎libtesseract和命令行程序tesseract。

當(dāng)前最新穩(wěn)定版本是4.x.x基于LSTM，源碼可從找到tesseract的GitHub: tesseract.找到。

關(guān)于tesseract的工作模式如上圖所示。假設(shè)現(xiàn)在有一個(gè)圖片輸入，整個(gè)執(zhí)行流程為：

1. 輸入（一張圖片）
2. 有用信息提?。ū热缫粋€(gè)圖片上只有一個(gè)字，那其他留白的是無(wú)用，這個(gè)字上每個(gè)色素是有效的并且相關(guān)）
3. 找出文字/線條
4. 字符分類集
5. 輸入與分類集對(duì)比找出最接近的
6. 輸出識(shí)別結(jié)果

二、安裝tesseract

第一步下載

下載合適的exe安裝文件：

網(wǎng)址：https://digi.bib.uni-mannheim.de/tesseract/，下載完成后后裝即可

第二步環(huán)境變量配置

在path變量中加入tesseract-ocr的安裝路徑

第三步安裝成功檢測(cè)

使用tesseract指令，顯示如下：

linux環(huán)境下載安裝與上述類似

下載leptonica 和 tesseract兩個(gè)包，解壓安裝，配置環(huán)境變量即可。網(wǎng)上很容易找到該安裝包。

三、使用命令行

1.tesseract + 圖片路徑 + 保存結(jié)果名 + -l 語(yǔ)言集

示列: tesseract 1606150081.png 1606150081 -l chi_sim

2.tesseract + 圖片路徑 +stdout -l +語(yǔ)言集

示列: tesseract D:\company\ruigushop\spring-2s\test.png stdout -l chi_sim

有了上述之后就可以完成web圖片識(shí)別程序的開(kāi)發(fā)啦，廢話不多說(shuō)，直接上代碼。

四、程序?qū)崿F(xiàn)(Python)

程序設(shè)計(jì)思路:

“

上傳圖片 -> 保存 ->對(duì)上傳的圖片執(zhí)行tesseract指令->獲取識(shí)別結(jié)果

”

只有二十多行代碼就實(shí)現(xiàn)了，so easy，以后網(wǎng)上看到圖片識(shí)別程序再也不會(huì)感覺(jué)神奇了吧！

#?coding=utf-8
from?flask?import?Flask,?request
import?os
import?datetime
import?time

app?=?Flask(__name__)


def?get_time_stamp():
????times?=?datetime.datetime.now().strftime('%Y-%m-%d?%H:%M:%S')
????array?=?time.strptime(times,?"%Y-%m-%d?%H:%M:%S")
????time_stamp?=?int(time.mktime(array))
????return?time_stamp


@app.route('/image/extract',?methods=['POST'])
def?pure_rec():
????file?=?request.files.get('file')
????ts?=?str(get_time_stamp())
????up_path?=?os.path.join(ts?+?file.filename)
????file.save(up_path)
????cmd?=?"tesseract?"+up_path+"?"?+?ts?+?"?-l?chi_sim"
????print(cmd)
????os.system(cmd)
????with?open(ts+".txt",?'r+',?encoding="utf-8")?as?f:
????????result?=?f.read()
????????return?result


????if?__name__?==?'__main__':
????????app.run(debug=True)

五、程序?qū)崿F(xiàn)（Java）

不需要任何引入第三方j(luò)ar包，搭建一個(gè)簡(jiǎn)單的springboot web項(xiàng)目就可以了，沒(méi)有其他額外的依賴。

Controller:

package?com.lbh.web.controller;

/*
?*?Copyright@[email protected]
?*?Author:liubinhao
?*?Date:2020/11/23
?*?@author?liubinhao
?*/
import?org.springframework.web.bind.annotation.PostMapping;
import?org.springframework.web.bind.annotation.RequestParam;
import?org.springframework.web.bind.annotation.RestController;
import?org.springframework.web.multipart.MultipartFile;

import?java.io.BufferedReader;
import?java.io.File;
import?java.io.IOException;
import?java.io.InputStreamReader;

@RestController
public?class?LiteralExtractController?{

????@PostMapping("/image/extract")
????public?String?reg(@RequestParam("file")MultipartFile?file)?throws?IOException?{
????????String?result?=?"";
????????String?filename?=?file.getOriginalFilename();
????????File?save?=?new?File(System.getProperty("user.dir")+"\\"+filename);
????????if?(!save.exists()){
????????????save.createNewFile();
????????}
????????file.transferTo(save);
????????String?cmd?=?String.format("tesseract?%s?stdout?-l?%s",System.getProperty("user.dir")+"\\"+filename,"chi_sim");
????????result?=?cmd(cmd);
????????return?result;
????}

????public?static?String?cmd(String?cmd)?{
????????BufferedReader?br?=?null;
????????try?{
????????????Process?p?=?Runtime.getRuntime().exec(cmd);
????????????br?=?new?BufferedReader(new?InputStreamReader(p.getInputStream()));
????????????String?line?=?null;
????????????StringBuilder?sb?=?new?StringBuilder();
????????????while?((line?=?br.readLine())?!=?null)?{
????????????????sb.append(line?+?"\n");
????????????}
????????????return?sb.toString();
????????}?catch?(Exception?e)?{
????????????e.printStackTrace();
????????}
????????finally
????????{
????????????if?(br?!=?null)
????????????{
????????????????try?{
????????????????????br.close();
????????????????}?catch?(Exception?e)?{
????????????????????e.printStackTrace();
????????????????}
????????????}
????????}
????????return?null;
????}
}

六、實(shí)驗(yàn)測(cè)試

很簡(jiǎn)單二十多行代碼就完成了，看看效果怎么樣吧。

測(cè)試一圖片：

測(cè)試一結(jié)果：

測(cè)試二圖片：

測(cè)試二結(jié)果：

perfect，識(shí)別的很準(zhǔn)確，第二個(gè)測(cè)試全部是英文字符的時(shí)候我們采用了中文訓(xùn)練的數(shù)據(jù)集，雖然也很好的識(shí)別了，但是速度會(huì)慢很多。

七、總結(jié)

圖片識(shí)別在當(dāng)今網(wǎng)絡(luò)技術(shù)領(lǐng)域是非常熱門的一塊，而這次完成的這個(gè)程序完全是依賴別人開(kāi)源框架來(lái)完成了這個(gè)技術(shù)實(shí)現(xiàn)，在應(yīng)用層面這是成功的，但是本質(zhì)上并沒(méi)有實(shí)際算法，技術(shù)核心上的東西，如果只關(guān)心應(yīng)用層開(kāi)發(fā)上述解決了我們計(jì)算機(jī)在規(guī)則字符識(shí)別上的問(wèn)題。

上述代碼中基本沒(méi)有難點(diǎn)，直接復(fù)制即可使用。此外，tesseract作為一款優(yōu)秀的開(kāi)源字符識(shí)別軟件，但它也不是萬(wàn)能的，tesseract只能識(shí)別規(guī)則的字符，對(duì)于一些藝術(shù)字，抽象字它是無(wú)能為力的。