Extracción de texto desde una imagen utilizando tesseract-ocr engine

Tesseract es probablemente el motor de OCR de fuente abierta más exacto disponible. En combinación con la Biblioteca de procesamiento Imagen Leptonica, puede leer una amplia variedad de formatos de imagen y los convierte a texto en más de 60 idiomas. Fue uno de los 3 mejores motores en el test de precisión de UNLV  en 1995. Entre 1995 y 2006 tuvo poco trabajo hecho en él, pero desde entonces se ha mejorado ampliamente por Google. Es liberado bajo la licencia Apache 2.0.

Fuente: https://github.com/tesseract-ocr/tesseract

A continuación, mediante una simple aplicación consola de java les mostrare paso a paso como hacer uso de este poderoso motor.

Contenido:

1. Descargar la libreria.
2. Estructura del proyecto en eclipse
3. Escanear una imagen y definicion de la region a realizar la extraccion del texto.
4. Desarrollo de la aplicacion.
5. Ejecucion y verificacion de los resultados.

1. Descargar la libreria. Aquí: https://code.google.com/p/tesseract-ocr/downloads/list

2. Estructura del proyecto en eclipse. Ver imagen a continuacion de como se debería ver tu proyecto.

3. Para mi ejemplo he escaneado el documento de identidad en mi país y he definido manualmente la región de extracción donde se encuentra el numero identificador. La región encerrada con el recuadro rojo, es la región a obtener mediante el motor tesseract.

4. Solo cree un archivo donde tengo un metodo principal y alli defino el lenguaje a utilizar, en mi caso español, creo un objeto Rectangle con las coordenadas de la región a realizar la extracción e imprimo por consola el texto procesado.

public class TesseractUtil {

 /**
  * Region
  */
 private static Rectangle DEFAULT_RECTANGLE_NUMERO_CEDULA_SIZE = new Rectangle(
   340, 118, 300, 60);

 private static String TYPE_DEFAULT_IMAGE = "jpg";

 private static String DEFAULT_LANGUAJE = "spa";

 public static void main(String[] args) throws IOException,
   TesseractException {
  File file = new File("C:\\Users\\usuario\\Pictures\\williams.jpg");
  System.out.println("Identificador: " + getIdentificadorCedula(file));
 }

 public static String getIdentificadorCedula(File imageFile)
   throws IOException, TesseractException {
  Tesseract1 instance = new Tesseract1(); // JNA Direct Mapping
  instance.setLanguage(DEFAULT_LANGUAJE);
  BufferedImage image = bufferedImage(imageFile);
  makeGray(image);
  String result = instance.doOCR(image,
    DEFAULT_RECTANGLE_NUMERO_CEDULA_SIZE);
  result = cleanIdentificadorCedula(result);
  return result;
 }

 public static BufferedImage bufferedImage(File file) throws IOException {
  return ImageIO.read(file);
 }

 public static String cleanIdentificadorCedula(String identificadorCedula) {
  String finalString = StringUtils.deleteWhitespace(identificadorCedula)
    .trim().toUpperCase();
  return finalString.replaceAll("[^\\d]", "");
 }

 public static BufferedImage cropImage(BufferedImage src, Rectangle rect) {
  BufferedImage dest = src.getSubimage(rect.x, rect.y, rect.width,
    rect.height);
  return dest;
 }

 public static void saveImage(String outputFolder, String filename,
   BufferedImage image, String type) throws IOException {
  File folder = new File(outputFolder);
  if (!folder.exists()) {
   folder.mkdir();
  }
  folder = new File(outputFolder);
  File save_path = new File(folder.getPath() + "\\" + filename + "."
    + TYPE_DEFAULT_IMAGE);
  ImageIO.write(image, type, save_path);
 }

 public static void makeGray(BufferedImage img) {
  for (int x = 0; x < img.getWidth(); ++x)
   for (int y = 0; y < img.getHeight(); ++y) {
    int rgb = img.getRGB(x, y);
    int r = (rgb >> 16) & 0xFF;
    int g = (rgb >> 8) & 0xFF;
    int b = (rgb & 0xFF);
    int gray = (r + g + b) / 3;
    img.setRGB(x, y, gray);
   }
 }

}

5. Salida por la consola:

Identificador: 55555555