Tess4j Umlaute anzeigen

[Lyreex]

Hallo zusammen,

ich hab mal wieder eine Frage zu Tesseract-OCR bzw. zu der Wrapper Klasse Tess4j.

Mein System:
- Ubuntu Mate Version 18
- Tesseract-OCR 4
- Tess4J 4.13

Meine Entwicklungsumgebung:
- IntelliJ 2019

Mein Problem:
Ich bekomme mit Tess4J statt Umlaute, Fragezeichen angezeigt.

Wenn ich aber Tesseract aus dem Terminal starte mit dem Befehl tesseract -l deu MEINETIF.tif MEINEAUSGABE.txt dann bekomme ich die Umlaute in meiner Textdatei angezeigt.

Wenn ich das ganze aber über Tess4J in IntelliJ mache und das Ergebnis in eine Textdatei schreiben lasse, dann werden mir keine Umlaute angezeigt.

Gibt es die Möglichkeit Tess4J den "-l" Parameter mitzugeben?
Ich hab gesehen das man TessVariables mitgeben kann, aber das sind anscheinend nur ganz bestimmte Parameter, unabhängig von Tesseract.

 

[mihe7]

Keine Ahnung, aber vielleicht hilft http://tess4j.sourceforge.net/docs/.../Tesseract.html#setLanguage-java.lang.String- ?

 

[Lyreex]

Leider nicht, da ich mit SetLanguage festlege welche Trainingsdatei er verwenden soll.

 

[Lyreex]

Okay hab eine Lösung gefunden.

Folgendes hab ich getan:
Tess4J ruft einfach nur Tesseract auf deswegen hat Tess4J kein Encoding.
Wenn ich Tess4J aufrufe speicher ich mir den zurückgegebenen String als Bytes.
Die Bytes kann ich dann in einen String umwandeln und ihn in UTF-8 Encoden.

Das sieht dann im Code so aus:

Tesseract tesseract = new Tesseract();
byte[] textBytes = tesseract.doOcr(meinFile).getBytes(StandardCharsets.UTF_8);
String textString = new String(textBytes, StandardCharsets.UTF_8);