Tesseract:如何导出文本和边界框?

Posted

技术标签:

【中文标题】Tesseract:如何导出文本和边界框?【英文标题】:Tesseract: How to export text and boundingboxes? 【发布时间】:2012-07-07 07:42:30 【问题描述】:

我想将文档图像转换为 XML,并导出在页面中找到某个单词的位置。为了访问bounding box信息,可以使用tesseract的布局分析:

 tess.SetImage(...); 
 tess.SetPageSegMode( tesseract::PSM_AUTO_OSD); 
 tesseract::PageIterator* it = tess.AnalyseLayout(); 
 while(it->Next(tesseract::RIL_WORD)
 
      int top, bottom, left, right; 
      it->BoundingBox(tesseract::RIL_WORD, &left, &top, &right, &bottom); 

 

然而,此时我不知道边界框的实际内容,通过执行以下代码,对当前图像执行 OCR,因此text 包含页面的整个文本。

 tess.Recognize(0); 
 std::string text = tess.GetUTF8Text(); 

目前我将所有边界框临时存储在vector 中。对于每个框,我从原始框中剪切出一个子图像,并对每个边界框执行 OCR。基本上这是可行的,但是当我将结果与 Tesseract 命令行工具进行比较时,会发生更多的 OCR 错误。

因此,我想知道如何逐字遍历 OCR 结果并获得相应的边界框。

【问题讨论】:

【参考方案1】:
tess.Recognize(0);

PAGE_RES_IT resultIter(page_res_);

for (resultIter.start_page(false); resultIter.block() != NULL; resultIter.forward()) 


            WERD_RES* wordResult = resultIter.word();
            WERD_CHOICE* word = wordResult->best_choice;

            TBOX& box = wordResult->word->bounding_box();

【讨论】:

您似乎使用的是旧版 Tesseract。在 v3.01 中,page_res_ 无法访问,而必须使用 tesseract::ResultIterator* it = tess.GetIterator()【参考方案2】:
NSString *retText = @"";
tesseract::ResultIterator *ri = tess.GetIterator();
tesseract::PageIteratorLevel level = tesseract::RIL_WORD;

if (ri != 0) 
do 
  const char *word = ri->GetUTF8Text(level);
  float conf = ri->Confidence(level);
  int x1, y1, x2, y2;
  ri->BoundingBox(level, &x1, &y1, &x2, &y2);

  if (word) 
    printf("word: '%s';  \tconf: %.2f; BoundingBox: %d,%d,%d,%d;\n", word,
           conf, x1, y1, x2, y2);

    NSString *temp =
        [NSString stringWithCString:word encoding:NSUTF8StringEncoding];
    retText = [NSString stringWithFormat:@"%@ %@", retText, temp];
    retText = [retText stringByReplacingOccurrencesOfString:@"[\\\""
                                                 withString:@""];
    retText = [retText stringByReplacingOccurrencesOfString:@"\n\n"
                                                 withString:@""];

    UIBezierPath *path = [UIBezierPath bezierPath];

    [path moveToPoint:CGPointMake(x1, y1)];
    [path addLineToPoint:CGPointMake(x2, y1)];
    [path addLineToPoint:CGPointMake(x2, y2)];
    [path addLineToPoint:CGPointMake(x1, y2)];
    [path addLineToPoint:CGPointMake(x1, y1)];

    CAShapeLayer *shapeLayer = [CAShapeLayer layer];
    shapeLayer.path = [path CGPath];
    shapeLayer.strokeColor = [[UIColor blueColor] CGColor];
    shapeLayer.lineWidth = 3.0;
    shapeLayer.fillColor = [[UIColor clearColor] CGColor];

    [self.scrollView.layer addSublayer:shapeLayer];

    delete[] word;
  
 while (ri->Next(level));

【讨论】:

以上是关于Tesseract:如何导出文本和边界框?的主要内容,如果未能解决你的问题,请参考以下文章

Android OCR tesseract:使用 Pixa 对象中的数据显示边界框

C# - 如何使用 Tesseract 3.0 Wrapper 获取每个字符的边界框?

Tesseract 的 hOCR 输出是不是真的包含每个字符的边界框和置信度?

文本的检测识别实战:使用 Tesseract 进行 OpenCV OCR 和文本识别

Tesseract 加载语言失败 (Tess4j / Java / Netbeans)

Tesseract - 错误 net.sourceforge.tess4j.Tesseract - null