[转]Tesseract-OCR学习系列（四）API

 

原文地址：http://www.jianshu.com/p/3df039e42986

2016.09.20 

Other API Examples

参考文档：https://github.com/tesseract-ocr/tesseract/wiki/APIExample

在上一篇中， 我们学习了参考文档中的第一个示例。用CMake构建了工程，并且看了一下例子中调用到的API。在这一篇中，我们继续看一看其它的例子。但如何用CMake构建工程的方法就不赘述了。这里给出我写的例程，若有疑问之处，请阅读Tesseract-OCR学习系列（三）简例以及CMake简要教程这两篇文章。

GetComponentImages example

#include <tesseract/baseapi.h>
#include <leptonica/allheaders.h>

int main()
{
    Pix *image = pixRead("D:\open_source\tesseract-3.04.01\tesseract\testing\phototest.tif");
    tesseract::TessBaseAPI *api = new tesseract::TessBaseAPI();
    api->Init(NULL, "eng");
    api->SetImage(image);
    Boxa* boxes = api->GetComponentImages(tesseract::RIL_TEXTLINE, true, NULL, NULL);
    printf("Found %d textline image components.
", boxes->n);
    for (int i = 0; i < boxes->n; i++){
        BOX* box = boxaGetBox(boxes, i, L_CLONE);
        api->SetRectangle(box->x, box->y, box->w, box->h);
        char* ocrResult = api->GetUTF8Text();
        int conf = api->MeanTextConf();
        fprintf(stdout, "Box[%d]: x=%d, y=%d, w=%d, h=%d, confidence: %d, text: %s",
            i, box->x, box->y, box->w, box->h, conf, ocrResult);
    }
}

我们知道，如果要进行字符识别，首先要搜索到文字图块。或者说，找到包含字符的文字图块。这个例子帮助我们将每一个文字图块找到，并对文字图块进行识别。下面来看代码（之前说过的就不说了）：

    Pix *image = pixRead("D:\open_source\tesseract-3.04.01\tesseract\testing\phototest.tif");
    tesseract::TessBaseAPI *api = new tesseract::TessBaseAPI();
    api->Init(NULL, "eng");
    api->SetImage(image);

已经熟悉了，Pass……

    Boxa* boxes = api->GetComponentImages(tesseract::RIL_TEXTLINE, true, NULL, NULL);

这是最关键的一行代码。GetComponentImages用于查找图像内的图像块，并将分割到的图像块返回给Boxa这个结构中。

  Boxa* GetComponentImages(const PageIteratorLevel level,
                           const bool text_only,
                           Pixa** pixa, int** blockids)

那么，分割到什么程度呢？这是函数的第一个参数来控制的。

enum PageIteratorLevel {
  RIL_BLOCK,     // Block of text/image/separator line.
  RIL_PARA,      // Paragraph within a block.
  RIL_TEXTLINE,  // Line within a paragraph.
  RIL_WORD,      // Word within a textline.
  RIL_SYMBOL     // Symbol/character within a word.
};

也就是说，我们可以分割到一块、一段、一行、一个单词或者一个单字。这特别适合用于做文档的OCR。一份文档，有可能包含图像和大大小小的各种文字。用这个函数，就可以将图像、文字等单独拎出来，然后再分别进行处理。第二个参数，text_only如果是true的话，就表示只返回文字区域坐标，不返回图像区域坐标。pixa用于返回分割出来的图像。这里设为NULL，即表示不需要返回图像。blockids返回的是序列号。这里也不需要，所以设置成NULL。最后，返回值是分割到的矩形数组。

struct Box
{
    l_int32            x;
    l_int32            y;
    l_int32            w;
    l_int32            h;
    l_uint32           refcount;      /* reference count (1 if no clones)  */

};
typedef struct Box    BOX;

struct Boxa
{
    l_int32            n;             /* number of box in ptr array        */
    l_int32            nalloc;        /* number of box ptrs allocated      */
    l_uint32           refcount;      /* reference count (1 if no clones)  */
    struct Box       **box;           /* box ptr array                     */
};
typedef struct Boxa  BOXA;

接着，进入循环。

for (int i = 0; i < boxes->n; i++){
        BOX* box = boxaGetBox(boxes, i, L_CLONE);
        api->SetRectangle(box->x, box->y, box->w, box->h);
        char* ocrResult = api->GetUTF8Text();
        int conf = api->MeanTextConf();
        fprintf(stdout, "Box[%d]: x=%d, y=%d, w=%d, h=%d, confidence: %d, text: %s",
            i, box->x, box->y, box->w, box->h, conf, ocrResult);
    }

只有两个函数没有见过，一个是boxaGetBox，一个是MeanTextConf。

• boxaGetBox：用于提取矩形数组中的某个矩形。其它参数一眼就看出来了。第三个参数可以选择L_CLONE或者L_COPY。L_CLONE是软拷贝，只增加引用数目。L_COPY是硬拷贝，把数据都复制一遍。
• MeanTextConf：用于返回OCR的平均信心。信心的值最低为0，最高为100。

最后，看一下运行结果：

Result iterator example

这个例子是说，对于OCR的结果，我们可以一个词一个词地遍历了来看。可以看到每一个词的OCR结果、置信度以及在原图中的位置。

#include <tesseract/baseapi.h>
#include <leptonica/allheaders.h>

int main()
{
    Pix *image = pixRead("D:\open_source\tesseract-3.04.01\tesseract\testing\phototest.tif");
    tesseract::TessBaseAPI *api = new tesseract::TessBaseAPI();
    api->Init(NULL, "eng");
    api->SetImage(image);
    api->Recognize(0);
    tesseract::ResultIterator* ri = api->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);
            printf("word: '%s';  	conf: %.2f; BoundingBox: %d,%d,%d,%d;
",
                word, conf, x1, y1, x2, y2);
            delete[] word;
        } while (ri->Next(level));
    }
}

最为关键的就是下面这两行

    tesseract::ResultIterator* ri = api->GetIterator();
    tesseract::PageIteratorLevel level = tesseract::RIL_WORD;

第一句按照阅读顺序来获取一个OCR结果的迭代器。第二句设置迭代的单位。可用的迭代单位有：

enum PageIteratorLevel {
  RIL_BLOCK,     // Block of text/image/separator line.
  RIL_PARA,      // Paragraph within a block.
  RIL_TEXTLINE,  // Line within a paragraph.
  RIL_WORD,      // Word within a textline.
  RIL_SYMBOL     // Symbol/character within a word.
};

运行下来的部分结果如下：

Orientation and script detection (OSD) example

这个例子讲了如何进行页面的方向检测和文字的方向检测。不知道大家是否与我有同样的疑问，就是页面的方向如果检测出来了，那文字的方向还用检测吗？文字不就是正着的了吗？可是人家说的文字方向检测根本不是说的这个，而是说阅读的方向性。比如，我们知道英文的一行肯定是横着排的，阅读方向是从左到右的。读完上面一行再读下面一行。然而对于古体中文来说，文字是竖着写的，阅读方向是从上到下的，行与行之间呢，是从右往左读的。这里文字的方向检测检测的是这个。

先看代码：

#include <tesseract/baseapi.h>
#include <leptonica/allheaders.h>

int main()
{
    const char* inputfile = "D:\open_source\tesseract-3.04.01\tesseract\testing\phototest.tif";
    tesseract::Orientation orientation;
    tesseract::WritingDirection direction;
    tesseract::TextlineOrder order;
    float deskew_angle;

    PIX *image = pixRead(inputfile);
    tesseract::TessBaseAPI *api = new tesseract::TessBaseAPI();
    api->Init(NULL, "eng");
    api->SetPageSegMode(tesseract::PSM_AUTO_OSD);
    api->SetImage(image);
    api->Recognize(0);

    tesseract::PageIterator* it = api->AnalyseLayout();
    it->Orientation(&orientation, &direction, &order, &deskew_angle);
    printf("Orientation: %d;
WritingDirection: %d
TextlineOrder: %d
" 
        "Deskew angle: %.4f
",
        orientation, direction, order, deskew_angle);

}

只看之前没有看到过的。

    api->SetPageSegMode(tesseract::PSM_AUTO_OSD);

这句是重点。它设置了页面分割模式。页面分割有如下的模式可供选择：

enum PageSegMode {
  PSM_OSD_ONLY,       ///< Orientation and script detection only.
  PSM_AUTO_OSD,       ///< Automatic page segmentation with orientation and
                      ///< script detection. (OSD)
  PSM_AUTO_ONLY,      ///< Automatic page segmentation, but no OSD, or OCR.
  PSM_AUTO,           ///< Fully automatic page segmentation, but no OSD.
  PSM_SINGLE_COLUMN,  ///< Assume a single column of text of variable sizes.
  PSM_SINGLE_BLOCK_VERT_TEXT,  ///< Assume a single uniform block of vertically
                               ///< aligned text.
  PSM_SINGLE_BLOCK,   ///< Assume a single uniform block of text. (Default.)
  PSM_SINGLE_LINE,    ///< Treat the image as a single text line.
  PSM_SINGLE_WORD,    ///< Treat the image as a single word.
  PSM_CIRCLE_WORD,    ///< Treat the image as a single word in a circle.
  PSM_SINGLE_CHAR,    ///< Treat the image as a single character.
  PSM_SPARSE_TEXT,    ///< Find as much text as possible in no particular order.
  PSM_SPARSE_TEXT_OSD,  ///< Sparse text with orientation and script det.
  PSM_RAW_LINE,       ///< Treat the image as a single text line, bypassing
                      ///< hacks that are Tesseract-specific.

  PSM_COUNT           ///< Number of enum entries.
};

多提一句，如需使用OSD功能，则需要下载osd.traineddata

    api->Recognize(0);

这一句当然是用来根据之前的设定来进行识别的。

    tesseract::PageIterator* it = api->AnalyseLayout();

这一句根据之前SetPageSegMode的设定来运行页面的布局分析。这句话其实也可以在Recognize前面进行。

    it->Orientation(&orientation, &direction, &order, &deskew_angle);

这个函数用来获取页面和文字的方向。其签名如下：

void Orientation(tesseract::Orientation *orientation,
                   tesseract::WritingDirection *writing_direction,
                   tesseract::TextlineOrder *textline_order,
                   float *deskew_angle) const;

其中，

• tesseract::Orientation指的是页面的方向。
• tesseract::WritingDirection指的是书写方向。（比如刚刚说的英文是从左到右，中文是从上到下）
• tesseract::TextlineOrder指的是一行一行的方向。（比如刚刚说的英文是从上往下阅读，中文是从右往左阅读）
• deskew_angle是指倾斜角度。因为排出来的图片也不可能完全是正着的。这里可以计算出偏转的角度。

运行的结果如下：

Example of iterator over the classifier choices for a single symbol

这个例子可以帮助我们学习如何找到一个识别对象的其它候选结果。

#include <tesseract/baseapi.h>
#include <leptonica/allheaders.h>

int main()
{
    Pix *image = pixRead("D:\open_source\tesseract-3.04.01\tesseract\testing\phototest.tif");
    tesseract::TessBaseAPI *api = new tesseract::TessBaseAPI();
    api->Init(NULL, "eng");
    api->SetImage(image);
    api->SetVariable("save_blob_choices", "T");
    api->SetRectangle(37, 228, 548, 31);
    api->Recognize(NULL);

    tesseract::ResultIterator* ri = api->GetIterator();
    tesseract::PageIteratorLevel level = tesseract::RIL_SYMBOL;
    if (ri != 0)
    {
        do
        {
            const char* symbol = ri->GetUTF8Text(level);
            float conf = ri->Confidence(level);
            if (symbol != 0)
            {
                printf("symbol %s, conf: %f", symbol, conf);
                bool indent = false;
                tesseract::ChoiceIterator ci(*ri);
                do
                {
                    if (indent) printf("		 ");
                    printf("	- ");
                    const char* choice = ci.GetUTF8Text();
                    printf("%s conf: %f
", choice, ci.Confidence());
                    indent = true;
                } while (ci.Next());
            }
            printf("------------------------------------------
");
            delete[] symbol;
        } while (ri->Next(level));
    }
}

在编译的时候出现了写问题。问题在于：

                tesseract::ChoiceIterator ci(*ri);

这个类在dll中没有。没有的原因是，这个类根本就没有被导出来！如果需要导出这个类，那么就需要在tesseract的源代码中修改一下，然后再重新编译。

修改方法为，在ltrresultiterator.h头文件中，将：

class ChoiceIterator {

修改为：

class TESS_API ChoiceIterator {

然后要记得重新编译哦！并且将生成的动态库覆盖原来的动态库。目前我们还不太熟悉的API如下：

    api->SetVariable("save_blob_choices", "T");

这个函数的作用是设置内部的参数。（不过话说我怎么知道内部有哪些参数，这些参数又有什么意义啊！）设置"save_blob_choices"的目的是将候选项全部保存下来。

                tesseract::ChoiceIterator ci(*ri);

这是一个迭代器，通过这个迭代器，可以将每一个候选的结果都打印出来。

部分结果如下：

好了，就写到这儿吧。可以看出，Tesseract的应用是非常灵活的。下面一段时间，我希望自己可以慢慢了解Tesseract-OCR的算法原理。这不是一件容易的事。这个系列可能要暂停一段时间了。