在hocr輸出中獲取確切的字體大小

Question

我正在使用Tesseract從如下所示的大量頁面中提取文本和格式：

具有不同行高的OCR文本示例頁面

（我的原始圖像是1200 DPI；我已經減少到600 DPI，並重新編碼以保持文件大小正常。）

當這本書使用塊引號（例如，占據該頁面左列大部分的引號）時，最顯着的區別是稍小的字體大小。

問題是，當我在hocr配置文件中將hocr_font_info設置為1時，xml輸出會生成如下單詞標簽：

<span class='ocrx_word' id='word_1_131' title='bbox 561 3188 981 3278; x_wconf 89; x_font Century_Schoolbook_L_Medium; x_fsize 7' lang='fra' dir='ltr'>dération</span>

x_fsize屬性通常在小行中為6，在大行中為7，但是Tesseract有時會為較小的行分配值7-並且會在整行中使用，因此我不能依賴相鄰的單詞解決問題。 （在某些情況下，我可以使用相鄰的行 ，但不能總是使用。有時，我將處理孤立的文本行，因此，如果可能的話，我確實需要確切的大小。）

在我的字體大小中獲得更多粒度的最佳方法是什么？ 緊要關頭，即使我擁有每個字符的確切高度和寬度，也可能會通過，盡管帶有小數位的字體大小（例如“ x_fsize ='6.62'”）使用起來會容易得多。

Answer 1

在Tesseract的以下三行中給出了字體大小的計算：

  *pointsize = scaled_yres_ > 0
      ? static_cast<int>(row_height * kPointsPerInch / scaled_yres_ + 0.5)
: 0;

您想要的是避免將此float轉換為整數。 但是，在其他幾個地方也定義了結構和類型，也需要對其進行調整...

這里的主要信息是row_height ，它與hocr文件中ocr_line的x_size -parameter相同。 因此，您可以簡單地瀏覽hocr文件，並嘗試根據其x_size為每一行確定是較小的字體大小還是較大的字體大小。 要瀏覽hocr文件並做一些事情，可以查看hocr-tools中的示例。

要從上面進行實際計算，您只需要知道重新配置（600或1200 dpi）和值kPointsPerInch = 72 。 作為概念驗證，請嘗試以下perl內聯代碼：

$ perl -ne 'print("$1 ", $2*72/600, "\n") if /^.*id=.([^ ]*). .*x_size ([0-9.]*);.*$/' h7.hocr
line_1_1 8.62807344
line_1_2 7.08
line_1_3 6.36
line_1_4 6.36
line_1_5 6.36
line_1_6 6.35710104
line_1_7 6.48
line_1_8 6.36
line_1_9 6.24
line_1_10 6.36
...

Answer 2

實際上，我可能有一個可行的方法-對於每個段落，我可以將每個單詞的寬度（即其邊框的寬度）除以字符數，得出近似的平均字符寬度。 在整個段落（甚至一小段）中，平均字符寬度將為字體大小提供一個非常准確的數字。

不過，我仍然對更直接的解決方案感興趣。