使用 OCR 引擎 tesseract 无法理解提取文档中的坐标

Posted 2023-02-15

技术标签:

【中文标题】使用 OCR 引擎 tesseract 无法理解提取文档中的坐标【英文标题】：Not able to understand coordinate in extracted document using OCR engine tesseract 【发布时间】：2013-09-04 05:07:03 【问题描述】：

我从 tesseract 中提取了一个图像文档，并且它已成功提取。但我无法理解提取文档的坐标。

问题描述：-

它显示坐标，但让我知道这些坐标代表像素或其他东西。这些像 title="bbox 10 13 43 46" 有四个，那么 10、13 43 和 46 是什么。它们代表什么位置

解压后的完整代码

   <!DOCTYPE html PUBLIC "-//W3C//DTD HTML 4.01 Transitional//EN" "http://www.w3.org/TR/html4/loose.dtd">
<html>
<head>
<title>
</title>
<meta http-equiv="Content-Type" content="text/html;charset=utf-8" />
<meta name='ocr-system' content='tesseract'/>
</head>
<body>
<div class='ocr_page' id='page_1' title='image "D:\ABC.tif"; bbox 0 0 464 101'>
    <div class='ocr_carea' id='block_1_1' title="bbox 10 13 330 55">
    <p 1class='ocr_par'>
        <span class='ocr_line' id='line_1_1' title="bbox 10 13 330 55">
            <span class='ocr_word' id='word_1_1' title="bbox 10 13 43 46">
                <span class='ocrx_word' id='xword_1_1' title="x_wconf -1"><strong>hi</strong></span>
            </span> 
            <span class='ocr_word' id='word_1_2' title="bbox 148 13 268 47">
                <span class='ocrx_word' id='xword_1_2' title="x_wconf -1"><strong>whats</strong></span>
            </span> 
            <span class='ocr_word' id='word_1_3' title="bbox 283 22 330 55">
                <span class='ocrx_word' id='xword_1_3' title="x_wconf -1"><strong>up</strong></span>
            </span>
        </span>
    </p>
    </div>
</div>
</body>
</html>

【问题讨论】：

可以显示输入的图片吗？ 【参考方案1】：

对于那些仍然想知道坐标系是如何工作的人来说，我终于找到了它，就像

10 13 43 46 startx, starty, endx, endy

如果你想找到单词的宽度和高度，那将是

宽度 = endx - startx，高度 = endy - starty

用 ' ' 分割字符串，然后消除 bbox 就可以了..

【讨论】：

【参考方案2】：

也许这会对将来的某人有所帮助。我认为图像不言自明。您可以根据这些值（例如高度 = y1-y0）计算高度或顶部距离（对于 css）

【讨论】：

除了 y 轴反转，如在大多数图形应用程序中，github.com/kba/hocr-spec/issues/34#issuecomment-252418295【参考方案3】：