有谁知道pytesseract的image_to_data和image_to_osd方法的输出的含义吗？

Question

我正在尝试使用

pytesseract

从图像中提取数据。该模块有

image_to_data

和

image_to_osd

方法。这两种方法提供了大量信息（

TextLineOrder

、

WritingDirection

、

ScriptDetection

、

Orientation

等）作为输出。

下图是

image_to_data

方法的输出。这些列的值 (

level

、

block_num

、

par_num

、

line_num

、

word_num

) 的含义是什么？

image_to_osd的输出如下所示。其中每个术语的含义是什么？

Page number: 0
Orientation in degrees: 0
Rotate: 0
Orientation confidence: 16.47
Script: Latin
Script confidence: 4.00

我参考了文档，但没有找到有关这些参数的任何信息。

Answer 1

我的图像.jpg

例如，在下面的代码中用image_to_data测试my_image.jpg，我们将得到类似results.png的结果。

结果.png

• level = 1/2/3/4/5，当前项目的级别。

• page_num：当前项的页索引。在大多数情况下，图像只有一页。

• block_num：当前项目的块项目。当 tesseract OCR 时 图像，它会根据PSM将图像分割成若干块 参数和一些规则。一行中的单词通常位于一个块中。

• par_num：当前项的段落索引。这是页面 分析结果。 line_num：当前项目的行索引。这是 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。这是 页面分析结果。

• word_num：一个块中的单词索引。

• left/top/width/height：左上角坐标和宽度 当前单词的高度。

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

• 文字：单词ocr结果。

image_to_osd结果含义：

• 页码：当前项的页索引。在大多数情况下，图像只有一页。

• 方向度数：当前图像中的文字相对于其阅读角度的顺时针旋转角度，取值范围为[0, 270, 180, 90]。

• 旋转：记录当前图像中的文字要转换为可读的角度，相对于当前图像顺时针旋转，取值范围为[0, 270, 180, 90]。补充[以度为单位的方向]值。

• 方向置信度：表示当前[方向度数]和[旋转]检测值的置信度。置信度越大，测试结果越可信，但目前尚未找到其取值范围的解释。

• Script：当前图片中文字的编码类型。

• 脚本置信度：当前图像中文本编码类型的置信度。

来自 pytesseract 导入输出 导入 pytesseract 导入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)

Answer 2

栏

级别：

没有 block_num、paragraph_num、line_num、word_num 的项目
带有 block_num 且没有 paragraph_num、line_num、word_num 的项目
具有 block_num、paragraph_num 且没有 line_num、word_num 的项目
包含 block_num、paragraph_num、line_num 且不包含 word_num 的项目
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字数

但首先，4 列是互连的。如果该项目来自新行，则字数将从 0 开始重新计数，不会从上一行最后一个字数继续。 line_num、par_num、block_num 也是如此。

查看下图以供参考。

第一列：block_num
第二列：par_num
第三列：line_num
第四列：word_num