如何正确地从tess-two中提取文本和boxRects？

Question

我有一个带有返回对象的TessBaseAPI()对象。我想用它们的边界框提取单词，但似乎无法使其工作。

val Text = tesseract.getUTF8Text()

给了我文本。

val Words = tesseract.getWords.boxRects

给了我可以循环遍历的边界框，但它们与getUTF8Text()不匹配。

遍历tesseract.getWords中的数据对象并尝试将其转换为字符串会让我感觉有点胡言乱语。

val Words = tesseract.getWords
for(i in Words) {
    Log.i(TAG, i.data.toString())
}

我发现了一个非常糟糕的变通方法，使用.getHOCRText并在生成的内容上执行正则表达式来获取文本和方框。

val result = tesseract.getHOCRText(0)

val BoxPattern = Pattern.compile("(?<=title='bbox ).*?(?=; x_wconf)")
val BoxMatch = BoxPattern.matcher(result)
while(BoxMatch.find()) {
    Log.i(TAG, BoxMatch.group().toString())
}

val TextPattern = Pattern.compile("(?<='>).*?(?=<\\/span>)")
val TextMatch = TextPattern.matcher(result)
while(TextMatch.find()) {
    Log.i(TAG, TextMatch.group().toString())
}

那么，如何正确地从tess-two中提取文本和boxRects呢？

Answer 1

我解决了！

// As before
val tesseract = TessBaseAPI()
tesseract.init("/storage/emulated/0/com.ubft/", "eng")
tesseract.setImage(bm)

// Call utF8Text. Otherwise iterator returns null
tesseract.utF8Text

// Initiate an iterator
val iterator = tesseract.getResultIterator()

iterator.begin()
do {
    val text = iterator.getUTF8Text(TessBaseAPI.PageIteratorLevel.RIL_TEXTLINE)
    val boundingBox = iterator.getBoundingRect(TessBaseAPI.PageIteratorLevel.RIL_TEXTLINE)

    // Do what you want with the result...

    } while (iterator.next(TessBaseAPI.PageIteratorLevel.RIL_TEXTLINE))

iterator.delete()

可以将TessbaseAPI.PageIteratorLevel指定为要返回的文本结构类型(段落、单词、行或按字符)。