基于Tesseract-OCR技术的文字识别优化.docx

基于TesseractOCR技术的文字识别优化曹重阳一、需求分析对天猫平台的企业信息采集下来进行结构化处理，提取出文字信息后汇总进Excel作为交付文件。主要的功能设计如下：1、程序能够自动读取企业工商信息图片所在的文件夹路径，并从文件夹路径中顺序取出图片进行识别，最终的识别结果以一份汇总的Excel交付。2、因为天猫平台公示的图片内容没有固定格式，所以需要程序能匹配不同格式的图片内容提取信息。3、能够提取出图片中的企业注册号、企业名称数据项，企业注册号、企业名称数据项要进行分析处理。4、识别准确率需要保证在95%以上。5、识别速度保持在60秒识别50张图片。二、本程序处理图片方面的关键模块1、对图片进行切割：要求识别的文字信息“企业名称”“企业注册号”位于整个图片的其中一部分，把剩余部分切除，只留下关键信息部分，不但可以提高识别速度，还可提升识别率。2、在进行图片的二值化时，有两种方式：（1）图片为彩色时，宜找到每个像素点合适的灰色度，因为每个像素点的灰色度不同程度上受到周边像素加权影响，从而影响整个图片的识别率。比如本像素点加上周围8个灰度值再除以9，算出其相对灰度值。（2）图片为黑白色时，宜采用max-min方法对图片进行二值化。针对本程序识别的图片的黑白色对比明显，故采用max-min方法进行二值化。privatestaticFilebinaryImage（FileorcFile）throwsIOException{//获取图片的BufferedImage对象BufferedImagebi=ImageIO.read（orcFile）；inth=bi.getHeight（）；//获取图片的高intw=bi.getWidth（）；//获取图片的宽BufferedImagenbi=newBufferedImage（w，h，BufferedImage.TYPE_BYTE_BINARY）；//设置合适的经验阈值，对二值化的识别效果起重要作用intthreshold=newColor（20，20，20）.getRGB（）；//阈值对应的颜色位于黑色文字和偏黑色背景颜色区间即可for（intx=0；x<w；x++）{for（inty=0；y<h；y++）{//二值化處理if（bi.getRGB（x，y）>threshold）{intmax=newColor（255，255，255）.getRGB（）；nbi.setRGB（x，y，max）；}else{intmin=newColor（0，0，0）.getRGB（）；nbi.setRGB（x，y，min）；}}}//将二值化处理后的图片放于D：＼＼orc_cut_binary下StringorcFileName=orcFile.getName（）；StringbinaryDir="D：＼＼orc_cut_binary"；Filedir=newFile（binaryDir）；//存储目录不存在，则创建目录if（！dir.exists（））{dir.mkdirs（）；}FilebinaryFile=newFile（binaryDir+"/"+orcFileName.substring（0，orcFileName.indexOf（"."））+"binary.png"）；ImageIO.write（nbi，"png"，binaryFile）；returnbinaryFile；}3、在选取二值化中的经验阈值，我们有以下思路：（1）二值化微分计算阈值（2）二值化类卷积的对梯度变化加强得到阈值对24位位图进行中值滤波会改变RGB各分量的值，所以图片的颜色会发生变化，但对于8位的位图，由于都是灰度的颜色，所以变化并不明显，而且滤波的窗口选的越大，对应的滤波效果的模糊度也会上升。4、增加图片的亮度：增加图片亮度可以使有些彩色图片的识别率大大增加，本程序别的图片为黑白照片，增加图片亮度提升的识别率并不乐观。5、对图片的边缘进行尖锐化处理：锐化可以快速调整图像边缘细节的对比度，并在边缘的两侧生成一条亮线一条暗线，使画面整体更加清晰。对于高分辨率的输出，通常锐化效果在屏幕上显示比印刷出来的更明显。在图片的Alpha值保持不变的情况下，本程序前期也进行了锐化处理，但效果并不明显，有时识别率甚至可能低于未锐化处理的图片。6、对图片进行平滑缩放：有时很多图片本身无法很好的被识别，但当放大适当倍数时，就可增强识别率，但这个“适当倍数”很难把控，它受诸多硬件因素影响，比如电脑配置、针式打印机打印连贯性差等问题。-全文完-