[置顶] 安卓图片OCR识别技术 tesseract研究文档20130328v1

针对安卓APP的 OCR图片识别技术研究与 DEMO：

                                                                          

通过近端时间的在网络上的学习，了解了俩个OCR的技术，包括tesseract 和 openCv这俩个技术

主要研究了tesseract的OCR技术，并通过模拟器做了个demo app下面与大家分享过程，希望共同进步。

Tesseract OCR引擎是1995年UNLVAccuracy大赛中的排名前三的引擎。1995年到2006年间，它没有大的改进；之后，它被谷歌大幅改进，很可能是识别率最高的可用开源OCR引擎之一了。结合Leptonica图像处理库，它能读取各种各样格式的图像文件，识别出超过40多种语言的文本。

Tesseract的下载地址为：

http://code.google.com/p/tesseract-ocr/downloads/list

Tesseract for android 的 tess-two下载地址为：

https://github.com/rmtheis/tess-two/archive/master.zip

接下来需要对下载下来的tess-two进行编译

如何用android ndk进行so的编译我放在了另外的一个文档中，大家请参考

也可以直接下载编译好的tess-two  so文件

http://download.csdn.net/detail/uniquerhythm/5166651

编译好后，将src下的两个包以及libs导入到自己的项目就可以用啦

接下来我们还需要 tessract的android jar包

Android官方地址:tesseract-android-tools

http://code.google.com/p/tesseract-android-tools/downloads/list?can=1&q=

但它必须要一个匹配库，即tessdata，我们可以从官方拷贝，在前面git的项目里面tesseract源码目录有现成的tessdata可以用，对于中文，googlecode上也有下载，当然也可以自己训练不同语言的tessdata。

包leptonica的类我们不必使用，只要使用tess包的类就行了

下面是 tessBaseAPI的主要用法

TessBaseAPI

//////////////////////华丽的分割线//////////////////////////////////////////////////////

TessBaseAPI baseApi=new TessBaseAPI();

//初始化tess
//android下面，tessdata肯定得放到sd卡里了
//如果tessdata这个目录放在sd卡的根目录
//那么path直接传入sd卡的目录
//eng就是英文，关于语言，按ISO 639-3标准的代码就行，具体请移步wiki
baseApi.init("tessdata文件夹的父级目录","eng");

//options是为了缩放图片，这个酌情缩放，图片小的话可以不缩放
BitmapFactory.Options options=newBitmapFactory.Options();
//缩小为原来的1/2
options.inSampleSize=2;

//bitmap，我这里是以流的形式，只要能形成Bitmap就行
Bitmap bitmap = BitmapFactory.decodeStream(instream,null,options);
        instream.close();    
//设置要ocr的图片bitmap
baseApi.setImage(bitmap);
//根据Init的语言，获得ocr后的字符串
String text= baseApi.getUTF8Text();

 

通过以上即可对图片进行识别并得到识别文字

下面是我自身的demo开发的详细过程与大家分享

首先创建一个界面：主要包括内存图片识别照片识别识别，图片区，以及识别结果区域

确认之前编译好的so文件以及下载的jar包放入Lib下

针对tessract 的jar包方法进行程序编写

因为程序的写法，需要将 tessdata识别库与ocr图片放到SD卡中

接着，右键项目运行选择android，（android环境的配置请参考李涛的分享文档）

运行：接下来就是漫长的等待。。。。

运行成功：

 

最终运行结果：成功

 

结论：对于tesseract的识别如果换成其他字体或手写体，则需要手工的训练tesseract的识别字体库及放入SD卡中tessdata文件夹中的文件

现还有一些问题需要大家一起来共同克服完成

1.      照相机功能

2.      对于手写字体的识别训练的识别率的控制

针对于tessdata的训练，我这里还有一个网址，大家可以上去学习一下相信会有作用

Tesseract-OCR字符识别-样书训练

http://www.myexception.cn/mobile/1119147.html

以上就是我近期的技术研究以及demo，与大家分享希望共同进步，如大家有问题，可以随时找我沟通！

源码以及程序找不到可以找我联系！站内短信 或者 回复哦！