轉載自：http://www.jianshu.com/p/3df039e42986

Other API Examples

參考文檔：https://github.com/tesseract-ocr/tesseract/wiki/APIExample

在上一篇中，我們學習了參考文檔中的第一個示例。用CMake構建了工程，並且看了一下例子中調用到的API。在這一篇中，我們繼續看一看其它的例子。但如何用CMake構建工程的方法就不贅述了。這裏給出我寫的例程，若有疑問之處，請閱讀Tesseract-OCR學習系列（三）簡例以及CMake簡要教程這兩篇文章。

GetComponentImages example

#include <tesseract/baseapi.h>
#include <leptonica/allheaders.h>

int main()
{
    Pix *image = pixRead("D:\\open_source\\tesseract-3.04.01\\tesseract\\testing\\phototest.tif");
    tesseract::TessBaseAPI *api = new tesseract::TessBaseAPI();
    api->Init(NULL, "eng");
    api->SetImage(image);
    Boxa* boxes = api->GetComponentImages(tesseract::RIL_TEXTLINE, true, NULL, NULL);
    printf("Found %d textline image components.\n", boxes->n);
    for (int i = 0; i < boxes->n; i++){
        BOX* box = boxaGetBox(boxes, i, L_CLONE);
        api->SetRectangle(box->x, box->y, box->w, box->h);
        char* ocrResult = api->GetUTF8Text();
        int conf = api->MeanTextConf();
        fprintf(stdout, "Box[%d]: x=%d, y=%d, w=%d, h=%d, confidence: %d, text: %s",
            i, box->x, box->y, box->w, box->h, conf, ocrResult);
    }
}

我們知道，如果要進行字符識別，首先要搜索到文字圖塊。或者說，找到包含字符的文字圖塊。這個例子幫助我們將每一個文字圖塊找到，並對文字圖塊進行識別。下面來看代碼（之前說過的就不說了）：

    Pix *image = pixRead("D:\\open_source\\tesseract-3.04.01\\tesseract\\testing\\phototest.tif");
    tesseract::TessBaseAPI *api = new tesseract::TessBaseAPI();
    api->Init(NULL, "eng");
    api->SetImage(image);

已經熟悉了，Pass……

    Boxa* boxes = api->GetComponentImages(tesseract::RIL_TEXTLINE, true, NULL, NULL);

這是最關鍵的一行代碼。GetComponentImages用於查找圖像內的圖像塊，並將分割到的圖像塊返回給Boxa這個結構中。

  Boxa* GetComponentImages(const PageIteratorLevel level,
                           const bool text_only,
                           Pixa** pixa, int** blockids)

那麼，分割到什麼程度呢？這是函數的第一個參數來控制的。

enum PageIteratorLevel {
  RIL_BLOCK,     // Block of text/image/separator line.
  RIL_PARA,      // Paragraph within a block.
  RIL_TEXTLINE,  // Line within a paragraph.
  RIL_WORD,      // Word within a textline.
  RIL_SYMBOL     // Symbol/character within a word.
};

也就是說，我們可以分割到一塊、一段、一行、一個單詞或者一個單字。這特別適合用於做文檔的OCR。一份文檔，有可能包含圖像和大大小小的各種文字。用這個函數，就可以將圖像、文字等單獨拎出來，然後再分別進行處理。第二個參數，text_only如果是true的話，就表示只返回文字區域座標，不返回圖像區域座標。pixa用於返回分割出來的圖像。這裏設爲NULL，即表示不需要返回圖像。blockids返回的是序列號。這裏也不需要，所以設置成NULL。最後，返回值是分割到的矩形數組。

struct Box
{
    l_int32            x;
    l_int32            y;
    l_int32            w;
    l_int32            h;
    l_uint32           refcount;      /* reference count (1 if no clones)  */

};
typedef struct Box    BOX;

struct Boxa
{
    l_int32            n;             /* number of box in ptr array        */
    l_int32            nalloc;        /* number of box ptrs allocated      */
    l_uint32           refcount;      /* reference count (1 if no clones)  */
    struct Box       **box;           /* box ptr array                     */
};
typedef struct Boxa  BOXA;

接着，進入循環。

for (int i = 0; i < boxes->n; i++){
        BOX* box = boxaGetBox(boxes, i, L_CLONE);
        api->SetRectangle(box->x, box->y, box->w, box->h);
        char* ocrResult = api->GetUTF8Text();
        int conf = api->MeanTextConf();
        fprintf(stdout, "Box[%d]: x=%d, y=%d, w=%d, h=%d, confidence: %d, text: %s",
            i, box->x, box->y, box->w, box->h, conf, ocrResult);
    }

只有兩個函數沒有見過，一個是boxaGetBox，一個是MeanTextConf。

boxaGetBox：用於提取矩形數組中的某個矩形。其它參數一眼就看出來了。第三個參數可以選擇L_CLONE或者L_COPY。L_CLONE是軟拷貝，只增加引用數目。L_COPY是硬拷貝，把數據都複製一遍。
MeanTextConf：用於返回OCR的平均信心。信心的值最低爲0，最高爲100。

最後，看一下運行結果：

Result iterator example

這個例子是說，對於OCR的結果，我們可以一個詞一個詞地遍歷了來看。可以看到每一個詞的OCR結果、置信度以及在原圖中的位置。

#include <tesseract/baseapi.h>
#include <leptonica/allheaders.h>

int main()
{
    Pix *image = pixRead("D:\\open_source\\tesseract-3.04.01\\tesseract\\testing\\phototest.tif");
    tesseract::TessBaseAPI *api = new tesseract::TessBaseAPI();
    api->Init(NULL, "eng");
    api->SetImage(image);
    api->Recognize(0);
    tesseract::ResultIterator* ri = api->GetIterator();
    tesseract::PageIteratorLevel level = tesseract::RIL_WORD;
    if (ri != 0)
    {
        do
        {
            const char* word = ri->GetUTF8Text(level);
            float conf = ri->Confidence(level);
            int x1, y1, x2, y2;
            ri->BoundingBox(level, &x1, &y1, &x2, &y2);
            printf("word: '%s';  \tconf: %.2f; BoundingBox: %d,%d,%d,%d;\n",
                word, conf, x1, y1, x2, y2);
            delete[] word;
        } while (ri->Next(level));
    }
}

最爲關鍵的就是下面這兩行

    tesseract::ResultIterator* ri = api->GetIterator();
    tesseract::PageIteratorLevel level = tesseract::RIL_WORD;

第一句按照閱讀順序來獲取一個OCR結果的迭代器。第二句設置迭代的單位。可用的迭代單位有：

enum PageIteratorLevel {
  RIL_BLOCK,     // Block of text/image/separator line.
  RIL_PARA,      // Paragraph within a block.
  RIL_TEXTLINE,  // Line within a paragraph.
  RIL_WORD,      // Word within a textline.
  RIL_SYMBOL     // Symbol/character within a word.
};

運行下來的部分結果如下：

Orientation and script detection (OSD) example

這個例子講了如何進行頁面的方向檢測和文字的方向檢測。不知道大家是否與我有同樣的疑問，就是頁面的方向如果檢測出來了，那文字的方向還用檢測嗎？文字不就是正着的了嗎？可是人家說的文字方向檢測根本不是說的這個，而是說閱讀的方向性。比如，我們知道英文的一行肯定是橫着排的，閱讀方向是從左到右的。讀完上面一行再讀下面一行。然而對於古體中文來說，文字是豎着寫的，閱讀方向是從上到下的，行與行之間呢，是從右往左讀的。這裏文字的方向檢測檢測的是這個。

先看代碼：

#include <tesseract/baseapi.h>
#include <leptonica/allheaders.h>

int main()
{
    const char* inputfile = "D:\\open_source\\tesseract-3.04.01\\tesseract\\testing\\phototest.tif";
    tesseract::Orientation orientation;
    tesseract::WritingDirection direction;
    tesseract::TextlineOrder order;
    float deskew_angle;

    PIX *image = pixRead(inputfile);
    tesseract::TessBaseAPI *api = new tesseract::TessBaseAPI();
    api->Init(NULL, "eng");
    api->SetPageSegMode(tesseract::PSM_AUTO_OSD);
    api->SetImage(image);
    api->Recognize(0);

    tesseract::PageIterator* it = api->AnalyseLayout();
    it->Orientation(&orientation, &direction, &order, &deskew_angle);
    printf("Orientation: %d;\nWritingDirection: %d\nTextlineOrder: %d\n" \
        "Deskew angle: %.4f\n",
        orientation, direction, order, deskew_angle);

}

只看之前沒有看到過的。

    api->SetPageSegMode(tesseract::PSM_AUTO_OSD);

這句是重點。它設置了頁面分割模式。頁面分割有如下的模式可供選擇：

enum PageSegMode {
  PSM_OSD_ONLY,       ///< Orientation and script detection only.
  PSM_AUTO_OSD,       ///< Automatic page segmentation with orientation and
                      ///< script detection. (OSD)
  PSM_AUTO_ONLY,      ///< Automatic page segmentation, but no OSD, or OCR.
  PSM_AUTO,           ///< Fully automatic page segmentation, but no OSD.
  PSM_SINGLE_COLUMN,  ///< Assume a single column of text of variable sizes.
  PSM_SINGLE_BLOCK_VERT_TEXT,  ///< Assume a single uniform block of vertically
                               ///< aligned text.
  PSM_SINGLE_BLOCK,   ///< Assume a single uniform block of text. (Default.)
  PSM_SINGLE_LINE,    ///< Treat the image as a single text line.
  PSM_SINGLE_WORD,    ///< Treat the image as a single word.
  PSM_CIRCLE_WORD,    ///< Treat the image as a single word in a circle.
  PSM_SINGLE_CHAR,    ///< Treat the image as a single character.
  PSM_SPARSE_TEXT,    ///< Find as much text as possible in no particular order.
  PSM_SPARSE_TEXT_OSD,  ///< Sparse text with orientation and script det.
  PSM_RAW_LINE,       ///< Treat the image as a single text line, bypassing
                      ///< hacks that are Tesseract-specific.

  PSM_COUNT           ///< Number of enum entries.
};

多提一句，如需使用OSD功能，則需要下載osd.traineddata

    api->Recognize(0);

這一句當然是用來根據之前的設定來進行識別的。

    tesseract::PageIterator* it = api->AnalyseLayout();

這一句根據之前SetPageSegMode的設定來運行頁面的佈局分析。這句話其實也可以在Recognize前面進行。

    it->Orientation(&orientation, &direction, &order, &deskew_angle);

這個函數用來獲取頁面和文字的方向。其簽名如下：

void Orientation(tesseract::Orientation *orientation,
                   tesseract::WritingDirection *writing_direction,
                   tesseract::TextlineOrder *textline_order,
                   float *deskew_angle) const;

其中，

tesseract::Orientation指的是頁面的方向。
tesseract::WritingDirection指的是書寫方向。（比如剛剛說的英文是從左到右，中文是從上到下）
tesseract::TextlineOrder指的是一行一行的方向。（比如剛剛說的英文是從上往下閱讀，中文是從右往左閱讀）
deskew_angle是指傾斜角度。因爲排出來的圖片也不可能完全是正着的。這裏可以計算出偏轉的角度。

運行的結果如下：

Example of iterator over the classifier choices for a single symbol

這個例子可以幫助我們學習如何找到一個識別對象的其它候選結果。

#include <tesseract/baseapi.h>
#include <leptonica/allheaders.h>

int main()
{
    Pix *image = pixRead("D:\\open_source\\tesseract-3.04.01\\tesseract\\testing\\phototest.tif");
    tesseract::TessBaseAPI *api = new tesseract::TessBaseAPI();
    api->Init(NULL, "eng");
    api->SetImage(image);
    api->SetVariable("save_blob_choices", "T");
    api->SetRectangle(37, 228, 548, 31);
    api->Recognize(NULL);

    tesseract::ResultIterator* ri = api->GetIterator();
    tesseract::PageIteratorLevel level = tesseract::RIL_SYMBOL;
    if (ri != 0)
    {
        do
        {
            const char* symbol = ri->GetUTF8Text(level);
            float conf = ri->Confidence(level);
            if (symbol != 0)
            {
                printf("symbol %s, conf: %f", symbol, conf);
                bool indent = false;
                tesseract::ChoiceIterator ci(*ri);
                do
                {
                    if (indent) printf("\t\t ");
                    printf("\t- ");
                    const char* choice = ci.GetUTF8Text();
                    printf("%s conf: %f\n", choice, ci.Confidence());
                    indent = true;
                } while (ci.Next());
            }
            printf("------------------------------------------\n");
            delete[] symbol;
        } while (ri->Next(level));
    }
}

在編譯的時候出現了寫問題。問題在於：

                tesseract::ChoiceIterator ci(*ri);

這個類在dll中沒有。沒有的原因是，這個類根本就沒有被導出來！如果需要導出這個類，那麼就需要在tesseract的源代碼中修改一下，然後再重新編譯。

修改方法爲，在ltrresultiterator.h頭文件中，將：

class ChoiceIterator {

修改爲：

class TESS_API ChoiceIterator {

然後要記得重新編譯哦！並且將生成的動態庫覆蓋原來的動態庫。目前我們還不太熟悉的API如下：

    api->SetVariable("save_blob_choices", "T");

這個函數的作用是設置內部的參數。（不過話說我怎麼知道內部有哪些參數，這些參數又有什麼意義啊！）設置"save_blob_choices"的目的是將候選項全部保存下來。

                tesseract::ChoiceIterator ci(*ri);

這是一個迭代器，通過這個迭代器，可以將每一個候選的結果都打印出來。

部分結果如下：

好了，就寫到這兒吧。可以看出，Tesseract的應用是非常靈活的。下面一段時間，我希望自己可以慢慢了解Tesseract-OCR的算法原理。這不是一件容易的事。這個系列可能要暫停一段時間了。

作者：行之與亦安
鏈接：http://www.jianshu.com/p/3df039e42986
來源：簡書
著作權歸作者所有。商業轉載請聯繫作者獲得授權，非商業轉載請註明出處。

Tesseract-OCR學習系列（四）API

Other API Examples

GetComponentImages example

Result iterator example

Orientation and script detection (OSD) example

Example of iterator over the classifier choices for a single symbol

關於遊戲付費的一點想法

我通過CKA和CKS啦！

LibSVM庫的使用說明

Tesseract-OCR學習系列（四）API

樸素貝葉斯算法的理解與實現

Character Filter

過分割和beam search

https://yachay.unat.edu.pe/blog/index.php?comment_area=format_blog&comment_component=blog&comment_co

linux以太網驅動總結