java文字识别程序的关键是寻找一个可以调用的OCR引擎。tesseract-ocr就是一个这样的OCR引擎，在1985年到1995年由HP实验室开发，现在在Google。tesseract-ocr 3.0发布，支持中文。不过tesseract-ocr 3.0不是图形化界面的客户端，别人写的FreeOCR图形化客户端还不支持导入新的 3.0 traineddata。但这标志着，现在有自由的中文OCR软件了。

   java中使用tesseract-ocr3.01的步骤如下：

1.下载安装tesseract-ocr-setup-3.01-1.exe（3.0以上版本才增加了中文识别）

2.在安装向导中可以选择需要下载的语言包。

3.到网上搜索下载java图形处理所需的2个包：jai_imageio-1.1-alpha.jar，swingx-1.6.1.jar

4.java程序清单：

ImageIOHelper 类：

1. import java.awt.image.BufferedImage;
2. import java.io.File;
3. import java.io.IOException;
4. import java.util.Iterator;
5. import java.util.Locale;
7. import javax.imageio.IIOImage;
8. import javax.imageio.ImageIO;
9. import javax.imageio.ImageReader;
10. import javax.imageio.ImageWriteParam;
11. import javax.imageio.ImageWriter;
12. import javax.imageio.metadata.IIOMetadata;
13. import javax.imageio.stream.ImageInputStream;
14. import javax.imageio.stream.ImageOutputStream;
16. import com.sun.media.imageio.plugins.tiff.TIFFImageWriteParam;
18. public class ImageIOHelper {
20.     public static File createImage(File imageFile, String imageFormat) {
21.         File tempFile = null;
22.         try {
23.             Iterator readers = ImageIO.getImageReadersByFormatName(imageFormat);
24.             ImageReader reader = readers.next();
26.             ImageInputStream iis = ImageIO.createImageInputStream(imageFile);
27.             reader.setInput(iis);
28.             //Read the stream metadata
29.             IIOMetadata streamMetadata = reader.getStreamMetadata();
31.             //Set up the writeParam
32.             TIFFImageWriteParam tiffWriteParam = new TIFFImageWriteParam(Locale.CHINESE);
33.             tiffWriteParam.setCompressionMode(ImageWriteParam.MODE_DISABLED);
35.             //Get tif writer and set output to file
36.             Iterator writers = ImageIO.getImageWritersByFormatName("tiff");
37.             ImageWriter writer = writers.next();
39.             BufferedImage bi = reader.read(0);
40.             IIOImage image = new IIOImage(bi,null,reader.getImageMetadata(0));
41.             tempFile = tempImageFile(imageFile);
42.             ImageOutputStream ios = ImageIO.createImageOutputStream(tempFile);
43.             writer.setOutput(ios);
44.             writer.write(streamMetadata, image, tiffWriteParam);
45.             ios.close();
47.             writer.dispose();
48.             reader.dispose();
50.         } catch (IOException e) {
51.             e.printStackTrace();
52.         }
53.         return tempFile;
54.     }
56.     private static File tempImageFile(File imageFile) {
57.         String path = imageFile.getPath();
58.         StringBuffer strB = new StringBuffer(path);
59.         strB.insert(path.lastIndexOf('.'),0);
60.         return new File(strB.toString().replaceFirst("(?<=//.)(//w+)$", "tif"));
61.     }
63. }

OCR 类：

1. package com.hhp.util;
3. import java.io.BufferedReader;
4. import java.io.File;
5. import java.io.FileInputStream;
6. import java.io.InputStreamReader;
7. import java.util.ArrayList;
8. import java.util.List;
9. import org.jdesktop.swingx.util.OS;
11. public class OCR {
12.     private final String LANG_OPTION = "-l";  //英文字母小写l，并非数字1
13.     private final String EOL = System.getProperty("line.separator");
14.     private String tessPath = "C://Program Files (x86)//Tesseract-OCR";
15.     //private String tessPath = new File("tesseract").getAbsolutePath();
17.     public String recognizeText(File imageFile,String imageFormat)throws Exception{
18.         File tempImage = ImageIOHelper.createImage(imageFile,imageFormat);
19.         File outputFile = new File(imageFile.getParentFile(),"output");
20.         StringBuffer strB = new StringBuffer();
21.         List cmd = new ArrayList();
22.         if(OS.isWindowsXP()){
23.             cmd.add(tessPath+"//tesseract");
24.         }else if(OS.isLinux()){
25.             cmd.add("tesseract");
26.         }else{
27.             cmd.add(tessPath+"//tesseract");
28.         }
29.         cmd.add("");
30.         cmd.add(outputFile.getName());
31.         cmd.add(LANG_OPTION);
32.         cmd.add("chi_sim");
33.         //cmd.add("eng");
35.         ProcessBuilder pb = new ProcessBuilder();
36.         pb.directory(imageFile.getParentFile());
38.         cmd.set(1, tempImage.getName());
39.         pb.command(cmd);
40.         pb.redirectErrorStream(true);
42.         Process process = pb.start();
43.         //tesseract.exe 1.jpg 1 -l chi_sim
44.         int w = process.waitFor();
46.         //删除临时正在工作文件
47.         tempImage.delete();
49.         if(w==0){
50.             BufferedReader in = new BufferedReader(new InputStreamReader(new FileInputStream(outputFile.getAbsolutePath()+".txt"),"UTF-8"));
52.             String str;
53.             while((str = in.readLine())!=null){
54.                 strB.append(str).append(EOL);
55.             }
56.             in.close();
57.         }else{
58.             String msg;
59.             switch(w){
60.                 case 1:
61.                     msg = "Errors accessing files.There may be spaces in your image's filename.";
62.                     break;
63.                 case 29:
64.                     msg = "Cannot recongnize the image or its selected region.";
65.                     break;
66.                 case 31:
67.                     msg = "Unsupported image format.";
68.                     break;
69.                 default:
70.                     msg = "Errors occurred.";
71.             }
72.             tempImage.delete();
73.             throw new RuntimeException(msg);
74.         }
75.         new File(outputFile.getAbsolutePath()+".txt").delete();
76.         return strB.toString();
77.     }
78. }

测试类TestOCR ：

1. import java.io.File;
2. import java.io.IOException;
4. import com.hhp.util.OCR;
6. public class OcrTest {
8.  public static void main(String[] args) {
9.         String path = "C://temp//OCRcode//4.png";
10.         System.out.println("ORC Test Begin......");
11.         try {
12.             String valCode = new OCR().recognizeText(new File(path), "png");
13.             System.out.println(valCode);
14.         } catch (IOException e) {
15.             e.printStackTrace();
16.         } catch (Exception e) {
17.             e.printStackTrace();
18.         }
19.         System.out.println("ORC Test End......");
20.     }
22. }

经过测试，tesseract-ocr 3.01的文字识别率很高，对于网站中常见的验证码识别率也很高。

原文地址http://www.bieryun.com/558.html