Tesseract--主要API功能介绍

Posted on 2018-05-17 10:30  supercxm  阅读(370)  评论(0编辑  收藏

tesseract本身代码是由c/c++混编而成的,其中有用的简单的接口函数几乎都是在baseapi.h中。
   
从其处理过程中,不难得出:它还需要有一个image处理的类,及相关的方法;这样子,读取图片后,生成image对象,再获取相关的参数;当然还需要有对image对象的读取,版面分析等接口函数;再次,它还定义了很多自身的数据类型,比如:BITS16array_recordBLOCKIMAGE等;而且它具有自学的能力。
   
现在,我们从头有调理地简单讲述一下子:
1tesseract::TessBaseAPI,基础的接口函数,包含了初始化,简单的     处理图片文字信息,版面分析的结果体等。 
2IMAGE,只是一个类,里边封装了相关的图片操作,包括图片的读取,图片参数信息的获取等。 
3)其他,包括数据类型声明,相关结构体声明,跨平台处理,命令端参数提取等。 

我们在实际中用到的就是前两个里边的东西。

 

声明:以下函数皆是在tesseract::TessBaseAPI

1: SetImage

函数声明:

void tesseract::TessBaseAPI::SetImage

(

const unsigned char * 

imagedata,

   

int 

width,

   

int 

height,

   

int 

bytes_per_pixel,

   

int 

bytes_per_line 

 

)

   

为Tesseract 提供待识别的图片。

 
2SetSourceResolution

函数声明:

void tesseract::TessBaseAPI::SetSourceResolution(int ppi)

设置源图像的分辨率(像素每英尺),可以计算最终的字体大小信息。 SetImage之后调用此函数。

 

3SetRectangle

函数声明:

 

void tesseract::TessBaseAPI::SetRectangle

(

int 

left,

   

int 

top,

   

int 

width,

   

int 

height 

 

)

   

将识别限制到图像的一个子矩形区域,SetImage 之后调用此函数。每一次该函数调用后将清除识别结果,以便同一张图像可以进行多矩形区域的识别。

4SetThresholder

函数声明:

void tesseract::TessBaseAPI::SetThresholder(ImageThresholder * thresholder)

在一些特殊的情况下, 通常是产生一个阈值器类的子类的时候,该函数可以提供一个不同的阈值器,阈值器可能会随着图片和设定预装入,或者被随后设定。Tesseract 拥有阈值器支配权,并在它被替换或是API被析构后删除。

5GetThresholdedImage

函数声明:

Pix * tesseract::TessBaseAPI::GetThresholdedImage()

从Tesseract获得内部阈值图像的拷贝,在SetImage 或者TesseractRect 之后可以随时别调用。   注意,只有安装了Leptonica之后才可使用。

6GetRegions

函数声明:

Boxa * tesseract::TessBaseAPI::GetRegions

(

Pixa ** 

pixa

)

 

以aleptonica-style Boxa, Pixa pair 格式获得页面结构分析的结果,在Recognize前后均可被调用。

7GetTextlines

函数声明:

 

Boxa * tesseract::TessBaseAPI::GetTextlines

(

Pixa ** 

pixa,

   

int ** 

blockids 

 

)

   

以aleptonica-style Boxa, Pixa pair 格式获取文本行,在Recognize前后均可被调用。如果blockids(block数目) 是空的话,每行block- id返回每行一个元素的数组,使用之后被删除。

8GetStrips

函数声明:

Boxa * tesseract::TessBaseAPI::GetStrips

(

Pixa ** 

pixa,

   

int ** 

blockids 

 

)

   

以aleptonica-style Boxa, Pixa pair 格式获取图像区域的文本行和条形区域,方便后面非矩形区域的处理。在Recognize前后均可被调用

9GetWords

函数声明:

Boxa * tesseract::TessBaseAPI::GetWords(Pixa ** pixa)

    以aleptonica-style Boxa, Pixa pair 格式获取图像区域的文字,在Recognize前后均可被调用。

10GetConnectedComponents

函数声明:

Boxa * tesseract::TessBaseAPI::GetConnectedComponents

(

Pixa ** 

pixa

)

 

在页面分析之后识别之间,以aleptonica-style Boxa, Pixa pair 格式获得独立连通的文本区域,在Recognize前后均可被调用。

11GetComponentImages

函数声明:

Boxa * tesseract::TessBaseAPI::GetComponentImages

(

PageIteratorLevel 

level,

   

bool 

text_only,

   

Pixa ** 

pixa,

   

int ** 

blockids 

 

)

   

以aleptonica-style Boxa, Pixa pair 格式获得制定级别的元素(block,textline, word),在Recognize前后均可被调用。果blockids(block数目) 是空的话,每行block- id返回每行一个元素的数组,使用之后被删除。如果text_only 为真, 只有text可被返回。

12GetThresholdedImageScaleFactor

函数声明:

int tesseract::TessBaseAPI::GetThresholdedImageScaleFactor()const

返回阈值图像的比例系数,该阈值图像由yGetThresholdedImage() 和调用了GetComponentImages()的GetX()函数返回。 

13DumpPGM

函数声明:

void tesseract::TessBaseAPI::DumpPGM

(

const char * 

filename

)

 

将内部二值图像放到PGM文件中。

14AnalyseLayout

函数声明:

PageIterator * tesseract::TessBaseAPI::AnalyseLayout()

SetPageSegMode设定的模式进行页面结构分析,返回一个(iterator),错误返回为空。Iterator 使用后必须删除。注意:该函数指向TessBaseAPI 类内部的数据,因此必须在TessBaseAPI 存在的情况下才可被调用。不能被改变内部PAGE_RES的 Init, SetImage, Recognize, Clear, End DetectOS或者其他调用。

15Recognize

函数声明:

int tesseract::TessBaseAPI::Recognize(ETEXT_DESC * monitor)

识别 来自SetAndThresholdImage的图像, 产生Tesseract 内部结构数据,成功返回0,如果需要,下面的Get*Tex函数会调用它。识别完成后,在SetImage之前,输出都会保持在内部。

16RecognizeForChopTest

函数声明:

int tesseract::TessBaseAPI::RecognizeForChopTest(ETEXT_DESC * monitor)

检索来自SetAndThresholdImage(), Recognize() or TesseractRect()的信息(在需要的情况下隐式调用Recognize)。对Recognize 变化一测试chopper.

17ProcessPages

函数声明:

 

bool tesseract::TessBaseAPI::ProcessPages

(

const char * 

filename,

   

const char * 

retry_config,

   

int 

timeout_millisec,

   

STRING * 

text_out 

 

)

   

识别指定文件的所有页面,文件格式为(a multi-page tiff or list of filenames, or single image), 并且根据参数(tessedit_create_boxfile, tessedit_make_boxes_from_boxes, tessedit_write_unlv, tessedit_create_hocr.)得到合适的文本。在输入文件的每一页运行ProcessPage,输入文件可以是(a multi-page tiff, single-page other file format, or a plain text list of images to read),返回值放在text_out中。如果tessedit_page_number 非负,程序将会在其所代表那一页开始。运行错误返回false. 如果程序暂停在某一页timeout_millisec (非负) 时间终止程序,或者由于某些原因一些页面处理失败,该页面将会以retry_config 的配置文件重新处理。

18ProcessPage

函数声明:

 

bool tesseract::TessBaseAPI::ProcessPage

(

Pix * 

pix,

   

int 

page_index,

   

const char * 

filename,

   

const char * 

retry_config,

   

int 

timeout_millisec,

   

STRING * 

text_out 

 

)

   

为 ProcessPages进行单页面识别。Text放到text_out中, pix是文件名,page_index是边缘处理后的元数据,比如box文件,或者hOCR格式文件。

19GetIterator

函数声明:

ResultIterator * tesseract::TessBaseAPI::GetIterator()

为 LayoutAnalysis and/or Recognize运行结果获取读取顺序的迭代器(iterator),使用之后删除。

20:GetMutableIterator

函数声明:

MutableIterator * tesseract::TessBaseAPI::GetMutableIterator()

为 LayoutAnalysis and/or Recognize运行结果获取可变的迭代器(iterator),使用之后删除。

21GetUTF8Text

函数声明:

char * tesseract::TessBaseAPI::GetUTF8Text()

    识别的文本被返回为字符指针,以UTF8编码(must be freed with the delete [] operator)。从内部数据结构中获得文本字符串。

22

函数声明:

char * tesseract::TessBaseAPI::GetHOCRText(int page_number)

posts - 38, comments - 0, trackbacks - 0, articles - 0

Copyright © 2020 supercxm
Powered by .NET 5.0.0-rc.2.20475.5 on Kubernetes