如何使用Java版Tesseract从图片中识别提取粗体文本

实现原理 #

Tesseract默认仅输出纯文本内容，要筛选粗体文本需要开启hOCR格式输出，该格式会附带每个文本块的字体属性（含字重信息），我们只需要解析hOCR内容筛选字重符合粗体标准的片段即可。

前置依赖 #

本地环境 #

• 安装Tesseract OCR 4.x及以上版本，确保已加载对应语言的训练数据

Java项目依赖 #

以Maven为例，引入Tess4J（Tesseract的Java封装库）：

<dependency>
    <groupId>net.sourceforge.tess4j</groupId>
    <artifactId>tess4j</artifactId>
    <version>5.8.0</version>
</dependency>

核心实现步骤 #

• 初始化Tesseract实例，开启hOCR输出和字体信息返回配置

TessBaseAPI api = new TessBaseAPI();
// 替换为你的tessdata目录路径
api.init("你的tessdata目录路径", "eng");
// 开启hOCR输出，同时返回字体信息
api.setHocr(true);
api.setVariable("hocr_font_info", "1");

• 加载待识别图片，执行识别获取hOCR内容

File imageFile = new File("待识别图片路径");
BufferedImage image = ImageIO.read(imageFile);
api.setImage(image);
// 获取hOCR格式的XML结果
String hocrContent = api.getHOCRText(0);
api.end();

• 解析hOCR内容，筛选粗体文本
  hOCR中每个文本行的class='ocrx_word'节点会携带title属性，其中font-weight字段对应字重，字重≥700即为粗体，你可以用Jsoup等XML解析库筛选符合条件的节点文本：

Document doc = Jsoup.parse(hocrContent);
Elements words = doc.select(".ocrx_word");
StringBuilder boldText = new StringBuilder();
for (Element word : words) {
    String title = word.attr("title");
    // 提取font-weight数值
    Pattern pattern = Pattern.compile("font-weight (\\d+)");
    Matcher matcher = pattern.matcher(title);
    if (matcher.find()) {
        int weight = Integer.parseInt(matcher.group(1));
        if (weight >= 700) {
            boldText.append(word.text()).append(" ");
        }
    }
}
// 输出筛选后的粗体文本，示例场景下会得到 "Thanksgiving"
System.out.println(boldText.toString().trim());

优化提示 #

如果识别场景中字体信息返回准确率低，可以提前对图片做预处理：先二值化后统计文本连通域的笔画宽度，粗体文本的笔画宽度比普通文本高30%以上，筛选对应区域后再做识别，可以大幅提升粗体提取的准确率。

内容的提问来源于stack exchange，提问作者k shiva