python-tesseract中的访问信任

Question

我试图为python构建一个OCR扩展，它专门处理具有内部结构的数据表(例如，包含小计和行和列的汇总，允许用户通过强制结构来提高准确性)。

我试图访问信任测试服务分配给多个结果(例如，所有来自无约束运行的结果和所有仅限于[0-9\.]字符的运行结果)。

我看到了一些关于访问python方法的x_wconf属性的信息，但是还没有弄清楚如何从python访问它。如何调用/访问此值？谢谢!

我在OSX10.10.3和Python2.7上使用0.9.1。

Answer 1

编辑

其实我搞错了，我想到的是pytesseract，而不是pytesseract。

如果您查看API源(baseapi_mini.h)，您会发现有些函数听起来非常适合您所要做的工作。您感兴趣的部分大约是第500行左右。

  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.
   */

mini.h?at=master

我最初的回答

为了做到这一点，您必须编写自己的包装器。

python很好，因为它可以让您快速地运行，但这不是我所称的复杂。您可以阅读源代码并查看它是如何工作的，但下面是简要说明：

1. 将输入图像写入临时文件
2. 调用该文件上的tesseract命令(从命令行)
3. 返回结果

所以如果你想做什么特别的事情，这根本行不通。

我有一个需要高性能的应用程序，等待文件写入磁盘所花费的时间，等待tesseract启动并加载映像并处理它的时间太长了。

如果我没有记错(我已经不能访问源了)，我就使用ctype加载一个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映像时，我不必等待tesseract再次加载，只需设置映像数据并再次调用GetHOCRText。

因此，这并不是解决问题的确切方法，也绝对不是您可以使用的代码片段。但希望它能帮助你朝着你的目标前进。

下面是关于包装外部库的另一个问题：Wrapping a C library in Python: C, Cython or ctypes?