有人知道 pytesseract 中 image_to_data 和 image_to_osd 方法的输出含义吗？

Question

我正在使用pytesseract从图像中提取数据。这个模块有image_to_data和image_to_osd方法。这两种方法提供了很多信息(TextLineOrder，WritingDirection，ScriptDetection，Orientation等)作为输出。

下面的图片是image_to_data方法的输出。这些列(level, block_num, par_num, line_num, word_num)的值代表什么意思？

image_to_osd的输出如下。每个术语都代表什么含义？

页码：0 度数方向：0 旋转：0 方向置信度：16.47 脚本：拉丁文 脚本置信度：4.00

我查阅了文档，但没有找到任何有关这些参数的信息。

- Eswar RDS

Answer 1

my_image.jpg

例如，在以下代码中使用 image_to_data 测试 my_image.jpg，我们将获得类似于 results.png 的结果。

results.png

• level = 1/2/3/4/5，当前项目的级别。

• page_num: 当前项目的页面索引。在大多数情况下，一张图片只有一页。

• block_num: 当前项目的块编号。对于 tesseract OCR 图像，它会根据 PSM 参数和一些规则将图像分成几个块。一行中的单词通常位于一个块中。

• par_num: 当前项目的段落索引。它是页面分析结果。line_num: 当前项目的行索引。它是页面分析结果。word_num: 一个块中的单词索引。

• line_num: 当前项目的行索引。它是页面分析结果。

• word_num: 一个块中的单词索引。

• left/top/width/height：当前单词的左上坐标以及它的宽度和高度。

• conf: 当前单词的置信度，范围为-1~100。-1表示这里没有文本。100是最高值。

• text: 单词的 OCR 结果。

来自 image_to_osd 的结果含义：

• Page number: 当前项目的页面索引。在大多数情况下，一张图片只有一页。

• Orientation in degrees: 当前图像中文本相对于其阅读角度的顺时针旋转角度，值范围为[0、270、180、90]。

• Rotate: 记录将当前图像中的文本转换为可读文本所需的角度，相对于当前图像的顺时针旋转，值范围为[0、270、180、90]。与 [Orientation in degrees] 值互补。

• Orientation confidence: 表示当前 [Orientation in degrees] 和 [Rotate] 检测值的置信度。置信度越大，测试结果越可靠，但目前尚未找到其值范围的解释。

• Script: 当前图片中文本的编码类型。

• Script confidence: 当前图片中文本编码类型的置信度。

from pytesseract import Output import pytesseract import cv2

image = cv2.imread("my_image.jpg")

#swap color channel ordering from BGR (OpenCV’s default) to RGB (compatible with Tesseract and pytesseract).
# By default OpenCV stores images in BGR format and since pytesseract assumes RGB format,
# we need to convert from BGR to RGB format/mode:
rgb = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)
 
pytesseract.pytesseract.tesseract_cmd = r'C:\mypath\tesseract.exe'
custom_config = r'-c tessedit_char_whitelist=0123456789 --psm 6'
results = pytesseract.image_to_data(rgb, output_type=Output.DICT,lang='eng',config=custom_config)
print(results)

- livezingy

Answer 2

列 级别:

1. 没有 block_num、paragraph_num、line_num 和 word_num 的项目
2. 具有 block_num，但没有 paragraph_num、line_num 和 word_num 的项目
3. 具有 block_num 和 paragraph_num，但没有 line_num 和 word_num 的项目
4. 具有 block_num、paragraph_num 和 line_num，但没有 word_num 的项目
5. 具有所有这些数字的项目

列 block_num: 检测到的文本或项目的块编号
列 par_num: 检测到的文本或项目的段落编号
列 line_num: 检测到的文本或项目的行号
列 word_num: 检测到的文本或项目的单词编号

但是以上 4 列是相互关联的。如果项目来自新行，则单词编号将从 0 开始重新计数，而不是从上一行的最后一个单词编号继续。行号、段落编号和块编号也是如此。

请参考下面的图像。
第一列: 块编号
第二列: 段落编号
第三列: 行号
第四列: 单词编号

- Eswar RDS