Java OCR 库：在 Windows 64 位上编译 tesseract

Question

我正在使用 ImageJ 处理文档图像（商业文档），并且正在寻找一个好的 OCR 库来检索某些区域的文本。

目前我正在使用Asprise，但结果不太可靠。某些字符经常会被混淆（0 变成 O、8 -> B、% -> 0，...），然后在不应该出现的地方出现空白，从而给这些数据的后处理带来很多麻烦。图像的分辨率为 1240x1754，我还没有尝试过更高的分辨率，但我想要检测的最小字符是 15 像素高，所以我认为图像的质量足够了。 （顺便说一句，我是在原始图像上执行 ocr，而不是二进制图像）

在这里查看类似的问题，我注意到 tesseract 经常被推荐。由于它是用 C++ 编写的，我不确定如何在 Java 和 ImageJ 中使用它。

据我所知，Asprise 也是用 C++ 编写的，只提供了一个 Java 包装器，我可以使用 Asprise 基于 BufferedImage 执行 ocr。所以我想我可以用 tesseract 做同样的事情。

1.如何从 Java 调用 tesseract 函数？

更新： 我尝试使用 tesseract，但是当我执行应用程序时，它由于以下原因而崩溃：

UnsatisfiedLinkError：C:\Windows\System32\tessdll.dll：找不到依赖库

我能够成功编译 tesseract 和 tesseract 2.04 并将 tessdll.dll 和 tesseract.dll 放在 c:\windows\system32 中。我正在使用这个静态块来加载库：

static
{
    System.loadLibrary("tessdll");
    System.loadLibrary("tesjeract");
}

如果相关的话，我使用的是 Windows 7 64 位。

---

2.那么如何将 BufferedImage 转换为 tesseract 能够使用的格式？

已解决

如果有人感兴趣的话，这是代码：（源自 audiveris )

private ByteBuffer imageToTiffBuffer (BufferedImage image) throws IOException
{
    ByteArrayOutputStream baos = new ByteArrayOutputStream();
    ImageOutputStream     ios = ImageIO.createImageOutputStream(baos);

    // Take the first suitable TIFF writer
    ImageWriter writer = ImageIO.getImageWritersByFormatName("tiff").next();
    writer.setOutput(ios);
    writer.write(image);
    ios.close();

    // allocate() doesn't work
    ByteBuffer buf = ByteBuffer.allocateDirect(baos.size());
    buf.put(baos.toByteArray());

    return buf;
}

Answer 1

外部库的位数需要与您的 JVM 相匹配。由于 tesjeract 是最小公分母，因此您需要使用 32 位 JVM。

Answer 2

您可以查看 audiveris，这是一个 Java OMR 包，我相信它使用 Tesseract 来处理工作表的文本部分。

Answer 3

您可能想看一下 Tesseract 2.04 的两个 Java 包装器：Tess4J 和 Tesjeract。