访问python-tesseract的信心

Question

我正在尝试为python-tesseract构建OCR扩展，以专门处理具有内部结构的数据表（例如，包含行和列的小计和总计，从而允许用户通过强制执行结构来提高准确性）。

我正在尝试访问tesseract分配给多个结果的置信度（例如，所有结果来自不受限制的运行以及所有来自字符限制为[0-9\\.] ）。

我已经看到了一些有关访问GetHOCRText api方法的x_wconf属性的信息，但是还无法弄清楚如何从python api访问它。 您如何调用/访问该值？ 谢谢！

我在带Python 2.7的OSX 10.10.3上使用python-tesseract 0.9.1。

Answer 1

编辑

我实际上错了所​​有，我想到的是pytesseract，而不是python-tesseract。

如果您查看API源（baseapi_mini.h），您会发现有些功能对于您尝试做的事情很有希望。 您感兴趣的部分大约在500行左右开始。

  char* GetUTF8Text();

  /**
   * Make a HTML-formatted string with hOCR markup from the internal
   * data structures.
   * page_number is 0-based but will appear in the output as 1-based.
   */
  char* GetHOCRText(int page_number);
  /**
   * The recognized text is returned as a char* which is coded in the same
   * format as a box file used in training. Returned string must be freed with
   * the delete [] operator.
   * Constructs coordinates in the original image - not just the rectangle.
   * page_number is a 0-based page index that will appear in the box file.
   */
  char* GetBoxText(int page_number);
  /**
   * The recognized text is returned as a char* which is coded
   * as UNLV format Latin-1 with specific reject and suspect codes
   * and must be freed with the delete [] operator.
   */
  char* GetUNLVText();
  /** Returns the (average) confidence value between 0 and 100. */
  int MeanTextConf();
  /**
   * Returns all word confidences (between 0 and 100) in an array, terminated
   * by -1.  The calling function must delete [] after use.
   * The number of confidences should correspond to the number of space-
   * delimited words in GetUTF8Text.
   */
  int* AllWordConfidences();

  /**
   * Applies the given word to the adaptive classifier if possible.
   * The word must be SPACE-DELIMITED UTF-8 - l i k e t h i s , so it can
   * tell the boundaries of the graphemes.
   * Assumes that SetImage/SetRectangle have been used to set the image
   * to the given word. The mode arg should be PSM_SINGLE_WORD or
   * PSM_CIRCLE_WORD, as that will be used to control layout analysis.
   * The currently set PageSegMode is preserved.
   * Returns false if adaption was not possible for some reason.
   */

https://bitbucket.org/3togo/python-tesseract/src/9ce0abe168297513d648406be5482b52d38d883b/src/baseapi_mini.h?at=master

我的原始答案

为此，您将必须编写自己的包装器。

python-tesseract很不错，因为它可以使您快速启动并运行，但是我不称其为“高级”。 您可以阅读源代码并查看其工作原理，但这是要点：

1. 将输入图像写入临时文件

2. 在该文件上调用tesseract命令（从命令行）

3. 返回结果

因此，如果您想做一些特别的事情，那根本就行不通。

我有一个需要高性能的应用程序，需要花大量时间等待文件写入磁盘，等待tesseract启动并加载图像并对其进行处理，而这并不过分。

如果我没记错（我再也无法访问源代码），我使用ctypes加载了tesseract进程，设置图像数据，然后调用GetHOCRText方法。 然后，当我需要处理另一个图像时，我不必等待tesseract再次加载，我只需设置图像数据并再次调用GetHOCRText。

因此，这并不是解决问题的确切方法，而且绝对不是您可以使用的代码段。 但希望它将帮助您在实现目标方面取得一些进展。

这是有关包装外部库的另一个问题： 用Python包装C库：C，Cython或ctypes？