来自谷歌云视觉 API OCR 的逐行数据

Posted 2023-04-17

【中文标题】来自谷歌云视觉 API OCR 的逐行数据

【英文标题】：Line by line data from Google cloud vision API OCR

【发布时间】：2018-11-13 09:15:28

【问题描述】：

我已经扫描了银行对账单的 PDF（基于图像）。 谷歌视觉 API 能够非常准确地检测文本，但它返回文本块，我需要逐行文本（银行交易）。 知道该怎么做吗？

【问题讨论】：

块是否包含换行符，例如'\n'?

是的。另外，我有边界框的文字和坐标。

【参考方案1】：

我使用 Google Vision API - DOCUMENT_TEXT_DETECTION 逐行获取数据。 返回的数据结构如下： 结构可能会因不同的 API 而有所不同。

   'description': 'Some Text',
   'coordinates': [ P1, P2, P3, P4]

我使用的方法是计算所有单词的中点。

   'description': 'Some Text',
   'center':  x: (P1.x + P2.x + P3.x + P4.x)/4, 
               y: (P1.y + P2.y + P3.y + P4.y)/4 

现在我根据它们的中心坐标对这些词进行排序。在 X 和 Y 轴上。 但是要在 Y 坐标中排序，您需要一些 Y 容差变量。

例如，

word_1.center.y = 15
word_2.center.y = 18
word_3.center.y = 28

现在，您必须决定改变线条需要多少 Y 坐标值的差异（这取决于文档中使用的字体大小）。

(word_2.center.y - word_1.center.y) < Y-Tolerance # True ~ In same line
(word_3.center.y - word_2.center.y) < Y-Tolerance # False ~ In different line

在您获得同一行中的单词列表之后。根据它们的 X 坐标对它们进行排序。

如有任何其他疑问，请与我们联系。

【讨论】：

集群，乏味但可能是唯一的解决方案。

比使用“Y-Tolerance”更好的方法是计算最小和最大 Y 点并检查 word_2 的范围是否在 word_1 的范围内，反之亦然。如果是这样 => 行合并。使用 Y_Tolerance 当图片水平不够时，您可能会遇到问题。

公平点@MarkusG。但问题是整个页面的字体大小可能会有所不同。因此 Y 点的最小值和最大值可能会有很大的波动。

【参考方案2】：

在 Google Vision API 中，有一个方法 fullTextAnnotation 返回一个全文字符串，\n 指定行尾，你可以试试。