从零开发短视频电商 Tesseract OCR 的 Java 拓展库 javacpp-presets

文章目录

• • 简介
  • 添加依赖
  • 识别示例
  • • 示例一 识别本地图片
    • 示例二 识别图像中的各个组件（比如文本行，单词，或单个字符）
    • 示例三 使用迭代器遍历识别结果及其选择项
    • 示例四 方向和脚本检测
    • 示例五 结果迭代器
    • 示例六 设置引擎、页面分割模式、语言
    • 示例七 识别限制为图像的子矩形

简介

项目地址：https://github.com/bytedeco/javacpp-presets

JavaCPP:

JavaCPP 是一个用于在 Java 中使用本地库的工具，它允许通过 Java 代码访问本地（C/C++）库，而无需编写过多的本地代码。这种方法可以使 Java 与其他语言编写的库进行集成，提供了对性能关键的原生功能的访问。JavaCPP 使用 Java 注解和本地代码生成，使得在 Java 中调用本地代码变得相对容易。

javacpp-presets:

javacpp-presets 是 JavaCPP 的一个相关项目，它提供了预定义的配置（presets）和原生库绑定，以便在 Java 中使用。这些预定义的配置通常与特定的本地库相关联，允许 Java 开发人员轻松地在其项目中使用这些库。

具体而言，https://github.com/bytedeco/javacpp-presets 存储了由 JavaCPP 团队提供的预定义配置，以支持许多常见的本地库。这些预定义配置文件中包含了与本地库相关的 Java 接口和本地代码，使得 Java 开发者可以方便地在其 Java 项目中集成这些本地库。

一些例子可能包括 OpenCV、FFmpeg、tesseract、TensorFlow 等库的预定义配置，让您能够在 Java 中直接使用它们的功能，而无需深入了解本地代码的细节。

总的来说，javacpp-presets 是一个简化在 Java 中使用本地库的工具，使得开发人员可以更轻松地利用性能强大的本地库功能。

添加依赖

<dependency><groupId>org.bytedeco</groupId><artifactId>tesseract-platform</artifactId><version>5.3.1-1.5.9</version></dependency>

https://central.sonatype.com/artifact/org.bytedeco/tesseract-platform

将下载适用于所有平台的二进制文件，导致打包后的包特别大。

这样会导致我们打出的包特别大，所以要瘦身。

方式一 仅获取某个平台的二进制文件，我们可以将 javacpp.platform系统属性（通过 -D 命令行选项）设置为类似 android-arm、linux-x86_64、macosx-x86_64、windows-x86_64 等。

mvn -Djavacpp.platform=linux-x86_64 ...

我们还可以指定多个平台，要包含 2 个或更多平台的二进制文件，我们可以依赖不同的配置文件集，但始终首先通过设置 javacpp.platform.custom 系统属性来重置 javacpp.platform 的默认值。例如，在主机平台的情况下，加上 Mac 和 Windows，我们可以使用以下命令：

mvn -Djavacpp.platform.custom -Djavacpp.platform.host -Djavacpp.platform.macosx-x86_64 -Djavacpp.platform.windows-x86_64 ...

方式二（推荐 推荐） 如果你只需要 Windows 64 和 Linux 64 的依赖，你可以通过指定这两个平台的依赖来优化你的 Maven 配置。具体来说，你可以使用下面的配置：

<dependencies>//<dependency> 不要这个大而全的方式 //<groupId>org.bytedeco</groupId> // <artifactId>tesseract-platform</artifactId> // <version>5.3.1-1.5.9</version> //</dependency><dependency> <groupId>org.bytedeco</groupId><artifactId>tesseract</artifactId><version>5.3.1-1.5.9</version></dependency><dependency><groupId>org.bytedeco</groupId><artifactId>tesseract</artifactId><version>5.3.1-1.5.9</version><classifier>windows-x86_64</classifier></dependency><dependency><groupId>org.bytedeco</groupId><artifactId>tesseract</artifactId><version>5.3.1-1.5.9</version><classifier>linux-x86_64</classifier></dependency><dependency><groupId>org.bytedeco</groupId><artifactId>leptonica</artifactId><version>1.83.0-1.5.9</version><classifier>windows-x86_64</classifier></dependency><dependency><groupId>org.bytedeco</groupId><artifactId>leptonica</artifactId><version>1.83.0-1.5.9</version><classifier>linux-x86_64</classifier></dependency></dependencies>

这样的配置只会下载和安装 tesseract 的 Windows 64 和 Linux 64 版本的依赖，而不会下载和安装其他平台的依赖。

支持的平台名称列表：

• android-arm
• android-arm64
• android-x86
• android-x86_64
• ios-arm64
• ios-x86_64
• linux-armhf
• linux-arm64
• linux-ppc64le
• linux-x86
• linux-x86_64
• macosx-arm64
• macosx-x86_64
• windows-x86
• windows-x86_64

识别示例

https://tesseract-ocr.github.io/tessdoc/APIExample

https://github.com/tesseract-ocr/tessdoc/tree/main/examples

首先要下载训练数据：

有三个仓库可以下载，但是它们的精度和速度有所不同：

1. tessdata：这个仓库包含了Tesseract 4.0的原始训练数据，这些数据在精度和速度之间达到了一种平衡。如果你在精度和速度之间都有需求，可以使用这个仓库的数据。
2. tessdata_best：这个仓库包含了Tesseract 4.0的最高精度训练数据，这些数据的识别精度更高，但是运行速度较慢。如果你的应用场景对识别精度有很高的要求，可以使用这个仓库的数据。
3. tessdata_fast：这个仓库包含了Tesseract 4.0的快速训练数据，这些数据的运行速度更快，但是识别精度较低。如果你的应用场景对运行速度有很高的要求，可以使用这个仓库的数据。

在选择训练数据时，你需要根据你的应用场景和需求进行权衡。如果你对识别精度和运行速度都有一定的要求，可以尝试使用不同仓库的数据，看看哪种数据最适合你的需求。

我这里只下载了tessdata_best中的eng.traineddata。

示例一 识别本地图片

import org.bytedeco.javacpp.*;import org.bytedeco.leptonica.*;import org.bytedeco.tesseract.*;import static org.bytedeco.leptonica.global.leptonica.*;import static org.bytedeco.tesseract.global.tesseract.*;public class BasicExample {public static void main(String[] args) {BytePointer outText;// 初始化 Tesseract APITessBaseAPI api = new TessBaseAPI();// 使用英语初始化 tesseract-ocr，不指定 tessdata 路径if (api.Init(null, "eng") != 0) {System.err.println("无法初始化 Tesseract。");System.exit(1);}// 使用 Leptonica 库打开输入图像PIX image = pixRead("/usr/src/tesseract/testing/phototest.tif");api.SetImage(image);// 获取 OCR 结果outText = api.GetUTF8Text();System.out.println("OCR 输出:\n" + outText.getString());// 销毁使用的对象并释放内存api.End();outText.deallocate();pixDestroy(image);}}

示例二 识别图像中的各个组件（比如文本行，单词，或单个字符）

GetComponentImages这个功能在许多场景下都可能会用到，以下是一些常见的应用场景：

1. 文本定位和提取：在图像处理或计算机视觉的应用中，经常需要定位并提取出图像中的文本内容。例如，在车牌识别、名片识别、表格识别等场景中，我们需要找到并读取图像中的文本信息。
2. 文档分析：在处理扫描或拍摄的文档时，我们可能需要分析文档的布局，识别并提取出文档中的标题、段落、表格等各个部分。这时，我们可以使用GetComponentImages方法找到各个部分的位置和大小。
3. OCR后处理：在使用OCR技术识别文本后，我们可能需要对识别结果进行后处理，例如纠正错误、提高识别精度等。在这些场景中，我们可以使用GetComponentImages方法获取每个字符或单词的位置和大小，然后根据这些信息进行后处理。

以上只是一些常见的应用场景，实际上，GetComponentImages这个功能在任何需要分析图像内容、提取图像中的特定部分，或处理图像中的文本的应用中都可能会用到。

import java.io.File;import java.net.URL;import org.bytedeco.javacpp.*;import org.bytedeco.leptonica.*;import org.bytedeco.tesseract.*;import static org.bytedeco.leptonica.global.leptonica.*;import static org.bytedeco.tesseract.global.tesseract.*;public class GetComponentImagesExample {public static void main(String[] args) throws Exception {BytePointer outText;// 初始化 Tesseract APITessBaseAPI api = new TessBaseAPI();// 使用英语初始化 tesseract-ocr，并使用标准 ENV 变量初始化 tessdata 路径if (api.Init(System.getenv("TESSDATA_PREFIX") + "/tessdata", "eng") != 0) {System.err.println("无法初始化 Tesseract。");System.exit(1);}// 使用 Leptonica 库打开输入图像URL url = new URL("https://img-blog.csdnimg.cn/direct/37d4f5eac7f442bea2d268982fd6c3d7.png");File file = Loader.cacheResource(url);PIX image = pixRead(file.getAbsolutePath());api.SetImage(image);// 查找所有组件图像int[] blockIds = {};// BOXA对象，包含了图像中每一行文本的边界框（即每一行文本的位置和大小）。BOXA boxes = api.GetComponentImages(RIL_TEXTLINE, true, null, blockIds);for (int i = 0; i < boxes.n(); i++) {// 对于每个图像框，OCR 在其区域内进行BOX box = boxes.box(i);api.SetRectangle(box.x(), box.y(), box.w(), box.h());outText = api.GetUTF8Text();String ocrResult = outText.getString();// 使用MeanTextConf方法计算这个区域的平均置信度。int conf = api.MeanTextConf();String boxInformation = String.format("Box[%d]: x=%d, y=%d, w=%d, h=%d, confidence: %d, text: %s", i, box.x(), box.y(), box.w(), box.h(), conf, ocrResult);System.out.println(boxInformation);outText.deallocate();}// 销毁使用的对象并释放内存api.End();pixDestroy(image);}}

图片为:

结果为：

Box[0]: x=67, y=85, w=1264, h=160, confidence: 82, text: The Quick BrownBox[1]: x=71, y=251, w=1168, h=160, confidence: 94, text: Fox Jumps OverBox[2]: x=67, y=418, w=1049, h=160, confidence: 69, text: lhe Lazy Dog.Box[3]: x=65, y=582, w=1811, h=71, confidence: 73, text: abcdefghijklmnopqrstuvwxyz0123456789 | | ( ) { } /\ 

示例三 使用迭代器遍历识别结果及其选择项

使用 Tesseract OCR 对给定的图像进行文本识别，并通过迭代器遍历输出每个识别结果及其选择项（如果有的话）。在处理图像的过程中，它使用 Leptonica 库打开图像，并通过 Tesseract API 进行文本识别。输出包括每个识别到的符号（symbol）以及其对应的置信度，以及针对每个符号的选择项及其置信度。此程序可以用于分析文本中的字符及其置信度，以及可能的替代选择项。

import java.io.File;import java.net.URL;import org.bytedeco.javacpp.*;import org.bytedeco.leptonica.*;import org.bytedeco.tesseract.*;import static org.bytedeco.leptonica.global.leptonica.*;import static org.bytedeco.tesseract.global.tesseract.*;public class IteratorOverClassifierChoicesExample {public static void main(String[] args) throws Exception {BytePointer outText;BytePointer choiceText;// 创建 Tesseract API 对象TessBaseAPI api = new TessBaseAPI();// 使用英语初始化 Tesseract-OCR，并使用标准的环境变量设置 tessdata 路径if (api.Init(System.getenv("TESSDATA_PREFIX") + "/tessdata", "eng") != 0) {System.err.println("Could not initialize tesseract.");System.exit(1);}// 使用 Leptonica 库打开输入图像URL url = new URL("https://upload.wikimedia.org/wikipedia/commons/thumb/7/74/Computer_modern_sample.svg/1920px-Computer_modern_sample.svg.png");File file = Loader.cacheResource(url);PIX image = pixRead(file.getAbsolutePath());api.SetImage(image);// 创建 Tesseract 文本监视器ETEXT_DESC recoc = TessMonitorCreate();api.Recognize(recoc);// 获取结果迭代器ResultIterator ri = api.GetIterator();int pageIteratorLevel = RIL_SYMBOL;if (ri != null) {do {// 获取当前迭代器位置的文本和置信度outText = ri.GetUTF8Text(pageIteratorLevel);float conf = ri.Confidence(pageIteratorLevel);String symbolInformation = String.format("symbol: '%s';\tconf: %.2f", outText.getString(), conf);System.out.println(symbolInformation);// 遍历选择项迭代器并输出选择项及其置信度boolean indent = false;ChoiceIterator ci = TessResultIteratorGetChoiceIterator(ri);do {if (indent)System.out.print("\t\t");System.out.print("\t-");choiceText = ci.GetUTF8Text();System.out.println(String.format("%s conf: %f", choiceText.getString(), ci.Confidence()));indent = true;choiceText.deallocate();} while (ci.Next());outText.deallocate();} while (ri.Next(pageIteratorLevel));}// 销毁使用的对象并释放内存api.End();pixDestroy(image);}}

结果：

symbol: 'T';conf: 99.22-T conf: 99.222244symbol: 'h';conf: 99.54-h conf: 99.542496symbol: 'e';conf: 99.54-e conf: 99.541702...

示例四 方向和脚本检测

需要osd.traineddata

使用 Tesseract OCR 对给定图像进行文本识别，并通过迭代器分析文本布局，获取图像的方向、脚本、文本行顺序和去倾角度等信息。

适用于需要获取图像文本布局信息的场景，例如自动化文档处理、图像文字分析、以及需要检测和调整文本方向的应用。通过分析文本布局信息，可以更好地理解图像中的文本结构，为后续处理提供有用的信息。

import java.io.File;import java.net.URL;import org.bytedeco.javacpp.*;import org.bytedeco.leptonica.*;import org.bytedeco.tesseract.*;import static org.bytedeco.leptonica.global.leptonica.*;import static org.bytedeco.tesseract.global.tesseract.*;public class OrientationAndScriptDetectionExample {public static void main(String[] args) throws Exception {BytePointer outText;// 创建 Tesseract API 对象TessBaseAPI api = new TessBaseAPI();// 使用英语初始化 Tesseract-OCR，并使用标准的环境变量设置 tessdata 路径if (api.Init(System.getenv("TESSDATA_PREFIX") + "/tessdata", "eng") != 0) {System.err.println("Could not initialize tesseract.");System.exit(1);}// 使用 Leptonica 库打开输入图像URL url = new URL("https://upload.wikimedia.org/wikipedia/commons/thumb/7/74/Computer_modern_sample.svg/1920px-Computer_modern_sample.svg.png");File file = Loader.cacheResource(url);PIX image = pixRead(file.getAbsolutePath());// 设置 Tesseract 页面分割模式为自动方向和脚本检测api.SetPageSegMode(PSM_AUTO_OSD);api.SetImage(image);// 创建 Tesseract 文本监视器ETEXT_DESC reco = TessMonitorCreate();api.Recognize(reco);// 获取页面迭代器，用于分析布局信息PageIterator iterator = api.AnalyseLayout();int[] orientation = new int[1];int[] writing_direction = new int[1];int[] textline_order = new int[1];float[] deskew_angle = new float[1];// 获取页面布局信息，包括方向、书写方向、文本行顺序和去倾角度iterator.Orientation(orientation, writing_direction, textline_order, deskew_angle);String osdInformation = String.format("Orientation: %d;\nWritingDirection: %d\nTextlineOrder: %d\nDeskew angle: %.4f\n",orientation[0], writing_direction[0], textline_order[0], deskew_angle[0]);System.out.println(osdInformation);// 销毁使用的对象并释放内存api.End();pixDestroy(image);}}

结果：

Orientation: 0;WritingDirection: 0TextlineOrder: 2Deskew angle: 0.0055Estimating resolution as 1024Estimating resolution as 1024-- 页面布局信息：Orientation（方向）: 0，表示图像方向为正常方向。WritingDirection（书写方向）: 0，表示水平书写。TextlineOrder（文本行顺序）: 2，表示文本行的阅读顺序是从上到下。Deskew angle（去倾角度）: 0.0055，表示需要微小的逆时针旋转图像，以使文本更加水平。最后，给出了图像分辨率的估计值为 1024。enum Orientation {ORIENTATION_PAGE_UP = 0, // 页面朝上ORIENTATION_PAGE_RIGHT = 1,// 页面朝右ORIENTATION_PAGE_DOWN = 2, // 页面朝下ORIENTATION_PAGE_LEFT = 3, // 页面朝左};enum WritingDirection {WRITING_DIRECTION_LEFT_TO_RIGHT = 0, // 从左到右WRITING_DIRECTION_RIGHT_TO_LEFT = 1, // 从右到左WRITING_DIRECTION_TOP_TO_BOTTOM = 2, // 从上到下};enum TextlineOrder {TEXTLINE_ORDER_LEFT_TO_RIGHT = 0, // 从左到右TEXTLINE_ORDER_RIGHT_TO_LEFT = 1, // 从右到左TEXTLINE_ORDER_TOP_TO_BOTTOM = 2, // 从上到下};

示例五 结果迭代器

此程序使用 Tesseract OCR 对给定图像进行文本识别，并通过迭代器遍历输出每个识别结果的单词、置信度和边界框信息。

适用于需要详细分析文本的应用场景，例如文本布局分析、单词级别的文本处理、或者需要获取文本边界框信息的图像处理任务。通过迭代器遍历，可以获得每个单词的具体位置和识别置信度，为后续处理和分析提供更多信息。

import java.io.File;import java.net.URL;import org.bytedeco.javacpp.*;import org.bytedeco.leptonica.*;import org.bytedeco.tesseract.*;import static org.bytedeco.leptonica.global.leptonica.*;import static org.bytedeco.tesseract.global.tesseract.*;public class ResultIteratorExample {public static void main(String[] args) throws Exception {BytePointer outText;// 创建 Tesseract API 对象TessBaseAPI api = new TessBaseAPI();// 使用英语初始化 Tesseract-OCR，并使用标准的环境变量设置 tessdata 路径if (api.Init(System.getenv("TESSDATA_PREFIX") + "/tessdata", "eng") != 0) {System.err.println("Could not initialize tesseract.");System.exit(1);}// 使用 Leptonica 库打开输入图像URL url = new URL("https://upload.wikimedia.org/wikipedia/commons/thumb/7/74/Computer_modern_sample.svg/1920px-Computer_modern_sample.svg.png");File file = Loader.cacheResource(url);PIX image = pixRead(file.getAbsolutePath());api.SetImage(image);// 创建 Tesseract 文本监视器ETEXT_DESC recoc = TessMonitorCreate();api.Recognize(recoc);// 获取结果迭代器ResultIterator ri = api.GetIterator();int pageIteratorLevel = RIL_WORD;if (ri != null) {do {// 获取当前迭代器位置的文本、置信度和边界框信息outText = ri.GetUTF8Text(pageIteratorLevel);float conf = ri.Confidence(pageIteratorLevel);int[] x1 = new int[1], y1 = new int[1], x2 = new int[1], y2 = new int[1];ri.BoundingBox(pageIteratorLevel, x1, y1, x2, y2);String riInformation = String.format("word: '%s';\tconf: %.2f; BoundingBox: %d,%d,%d,%d;\n", outText.getString(), conf, x1[0], y1[0], x2[0], y2[0]);System.out.println(riInformation);outText.deallocate();} while (ri.Next(pageIteratorLevel));}// 销毁使用的对象并释放内存api.End();pixDestroy(image);}}

结果：

word: 'The';conf: 94.56; BoundingBox: 67,86,340,211;word: 'Quick';conf: 96.57; BoundingBox: 409,85,818,245;word: 'Brown';conf: 96.79; BoundingBox: 879,88,1331,211;word: 'Fox';conf: 93.97; BoundingBox: 71,254,314,377;word: 'Jumps';conf: 95.90; BoundingBox: 382,254,836,411;word: 'Over';conf: 96.67; BoundingBox: 900,251,1239,379;word: 'The';conf: 94.07; BoundingBox: 67,418,340,543;word: 'Lazy';conf: 96.35; BoundingBox: 410,420,738,578;word: 'Dog.';conf: 92.79; BoundingBox: 807,420,1116,578;word: 'abcdefghijkmnopqrstuvwxyz0123456789';conf: 18.28; BoundingBox: 65,585,1335,650;word: '[|';conf: 66.39; BoundingBox: 1369,582,1415,653;word: '()';conf: 54.27; BoundingBox: 1454,582,1518,653;word: '{';conf: 62.11; BoundingBox: 1560,582,1586,653;word: '}';conf: 62.11; BoundingBox: 1618,582,1643,653;word: '/\';conf: 73.02; BoundingBox: 1675,582,1738,653;word: '';conf: 96.04; BoundingBox: 1842,607,1876,639;

示例六 设置引擎、页面分割模式、语言

import org.bytedeco.javacpp.BytePointer;import org.bytedeco.leptonica.PIX;import org.bytedeco.tesseract.TessBaseAPI;import org.bytedeco.tesseract.global.tesseract;import static org.bytedeco.leptonica.global.leptonica.pixDestroy;import static org.bytedeco.leptonica.global.leptonica.pixRead;import static org.bytedeco.tesseract.global.tesseract.PSM_AUTO;public class BasicExample {// 执行 OCR 的方法public static String doOCR(String dataPath, String fileName) {BytePointer outText;// 初始化 Tesseract APITessBaseAPI api = new TessBaseAPI();// 使用英语初始化 tesseract-ocr，指定 tessdata 路径// 如果使用的是中文，请使用 tessdata-best/chi_sim 或者 tessdata-best/chi_tra// 指定 OCR 引擎为 LSTM_ONLYif (api.Init(dataPath, "eng", tesseract.OEM_LSTM_ONLY) != 0) {System.err.println("无法初始化 Tesseract。");System.exit(1);}// 设置页面分割模式api.SetPageSegMode(PSM_AUTO);// 使用 Leptonica 库打开输入图像PIX image = pixRead(fileName);api.SetImage(image);// 获取 OCR 结果outText = api.GetUTF8Text();System.out.println("OCR 输出:\n" + outText.getString());// 销毁使用的对象并释放内存api.End();outText.deallocate();pixDestroy(image);return outText.getString();}}

示例七 识别限制为图像的子矩形

import org.bytedeco.javacpp.BytePointer;import org.bytedeco.leptonica.PIX;import org.bytedeco.tesseract.TessBaseAPI;import java.io.File;import static org.bytedeco.leptonica.global.leptonica.pixDestroy;import static org.bytedeco.leptonica.global.leptonica.pixRead;public class Main {public static void main(String[] args) {BytePointer outText;// 初始化 Tesseract APITessBaseAPI api = new TessBaseAPI();// 使用英语初始化 Tesseract-ocr，不指定 tessdata 路径if (api.Init(null, "eng") != 0) {System.err.println("无法初始化 Tesseract。");System.exit(1);}// 使用 Leptonica 库打开输入图像File imageFile = new File("phototest.tif");PIX image = pixRead(imageFile.getAbsolutePath());api.SetImage(image);// 限制识别范围为图像的子矩形// SetRectangle(left, top, width, height)api.SetRectangle(30, 86, 590, 100);// 获取 OCR 结果outText = api.GetUTF8Text();System.out.println("OCR 输出:\n" + outText.getString());// 销毁使用的对象并释放内存api.End();outText.deallocate();pixDestroy(image);}}