使用python-tesseract获取识别单词的边界框。

Question

我使用从图像中提取单词。这是一个用于tesseract的python包装器，它是一个OCR代码。

我使用以下代码获取单词：

import tesseract

api = tesseract.TessBaseAPI()
api.Init(".","eng",tesseract.OEM_DEFAULT)
api.SetVariable("tessedit_char_whitelist", "0123456789abcdefghijklmnopqrstuvwxyz")
api.SetPageSegMode(tesseract.PSM_AUTO)

mImgFile = "test.jpg"
mBuffer=open(mImgFile,"rb").read()
result = tesseract.ProcessPagesBuffer(mBuffer,len(mBuffer),api)
print "result(ProcessPagesBuffer)=",result

它只返回图像中的单词，而不返回它们的位置/大小/方向(或者换句话说，返回包含它们的边框)。我想知道是否也有什么办法

Answer 1

使用pytesseract.image_to_data()

import pytesseract
from pytesseract import Output
import cv2
img = cv2.imread('image.jpg')

d = pytesseract.image_to_data(img, output_type=Output.DICT)
n_boxes = len(d['level'])
for i in range(n_boxes):
    (x, y, w, h) = (d['left'][i], d['top'][i], d['width'][i], d['height'][i])
    cv2.rectangle(img, (x, y), (x + w, y + h), (0, 255, 0), 2)

cv2.imshow('img', img)
cv2.waitKey(0)

在pytesseract.image_to_data()返回的数据中

• left是从边框的左上角到图像的左边框的距离。
• top是从边框左上角到图像顶部边框的距离。
• width和height是边框的宽度和高度。
• conf是模型对边界框中单词的预测的信心。如果conf是-1，这意味着相应的边框包含一个文本块，而不仅仅是一个单词。

pytesseract.image_to_boxes()退回的边框随信附上，所以我相信pytesseract.image_to_data()是您要找的。

Answer 2

tesseract.GetBoxText()方法返回数组中每个字符的确切位置。

此外，还有一个命令行选项tesseract test.jpg result hocr，它将生成一个result.html文件，其中包含每个可识别的单词的坐标。但我不确定是否可以通过python脚本调用它。

Answer 3

Python tesseract可以在不写入文件的情况下使用image_to_boxes函数来完成这一任务：

import cv2
import pytesseract

filename = 'image.png'

# read the image and get the dimensions
img = cv2.imread(filename)
h, w, _ = img.shape # assumes color image

# run tesseract, returning the bounding boxes
boxes = pytesseract.image_to_boxes(img) # also include any config options you use

# draw the bounding boxes on the image
for b in boxes.splitlines():
    b = b.split(' ')
    img = cv2.rectangle(img, (int(b[1]), h - int(b[2])), (int(b[3]), h - int(b[4])), (0, 255, 0), 2)

# show annotated image and wait for keypress
cv2.imshow(filename, img)
cv2.waitKey(0)