Existem algumas engines que realizam esse trabalho árduo de manipulação de imagens, tornando a extração de seus caracteres uma tarefa relativamente simples. A mais conhecida é a Tesseract, porém ela não foi desenvolvida em Java. Por esse motivo, iremos utilizar um wrapper JNA chamado Tess4J, que nos permite executar os métodos nativos dessa engine a partir do Java.
Link para baixar o TESS4J:
https://sourceforge.net/projects/tess4j/?source=typ_redirect
Fazendo o download do Tess4J
Acesse a página do projeto Tess4J e faça o download da versão mais atual.
Configurando as bibliotecas
Descompacte os arquivos abaixo na pasta lib de seu projeto:
win32-x86/
win32-x86-64/
commons-io-2.4.jar
ghost4j-0.5.1.jar
jai_imageio.jar
jna-4.1.0.jar
junit-4.10.jar
log4j-1-2-17.jar
tess4j.jar
Descompacte também a pasta tessdata na raíz de seu projeto:
tessdata/
- Escrevendo o código de leitura das imagens
Como exemplo, irei utilizar uma página digitalizada que encontrei através do Google Imagens.
package br.com.danilotl.ocr;
import java.io.File;
import net.sourceforge.tess4j.*;
public class ReadImage {
public static void main(String[] args){
File imageFile = new File("page.jpg");
Tesseract instance = Tesseract.getInstance();
instance.setLanguage("eng");
try {
String result = instance.doOCR(imageFile);
System.out.println(result);
} catch (TesseractException e) {
System.err.println(e.getMessage());
}
}
}
Vamos analisar os pontos principais do código acima:
import java.io.File;
import net.sourceforge.tess4j.*;
Aqui realizamos os imports da classe java.io.File, responsável por criar uma representação do arquivo de imagem, e das classes do Tess4J, necessárias para podermos utilizar os métodos de sua API.
File imageFile = new File("page.jpg");
Aqui criamos um objeto do tipo File, passando em seu construtor o caminho de onde a imagem está localizada. Neste caso, o arquivo page.jpg encontra-se na raíz do projeto.
Tesseract instance = Tesseract.getInstance();
instance.setLanguage("eng");
Aqui recebemos uma instância da classe Tesseract, e em seguida definimos o idioma em que o texto de nossa imagem está escrito. Neste caso, o texto da nossa imagem está em inglês. Caso você precise ler outros idiomas (como o português, que possui caracteres acentuados, por exemplo), você deve baixar o arquivo do idioma em questão na seção de Downloads da página do Tesseract, descompactar o arquivo dentro da pasta tessdata, e definir em seu código o idioma correspondente.
try {
String result = instance.doOCR(imageFile);
System.out.println(result);
} catch (TesseractException e) {
System.err.println(e.getMessage());
}
Por fim, efetuamos a leitura da imagem através do método doOCR(), passando a imagem como argumento, e depois exibimos o output no Console. Como podemos comparar, a leitura é bem precisa e contém pouquíssimos erros.
Estas informações estão contidas no link abaixo:
http://danilotl.com.br/blog/reconhecendo-caracteres-em-imagens-com-java-e-tess4j/