2019年12月5日

Tesseract4.0 APIExamples 验证实录与函数解析

Posted in Tesseract By On 2019年12月5日，2484 Views

本文主要记录Tesseract4.0 APIExamples中的Result iterator example，Example of iterator over the classifier choices for a single symbol，Example to get confidence for alternative symbol choices per character for LSTM这三个示例的运行结果和相关函数的解析。测试均在Tessrect4.0+VS2017+Win10的条件下进行，如果对于安装有疑问，请参考这里：Tesseract4.0+VS2017+win10源码编译攻略

1. 前言

想让Tesseract在应用程序中发挥更好的性能，那就要遵守一些基本的使用规则，我认为最基本的规则是“白纸黑字”和“阅后即焚”。

白纸黑字

在Tesseract Github的wiki中，建议4.X以上的版本待识别图像为“白纸黑字”的风格，这一项在其ImproveQuality的有明确说明。

While tesseract version 3.05 (and older) handle inverted image (dark background and light text) without problem, for 4.x version use dark text on light background.

阅后即焚

Tesseract的绝大多数常用API都要求使用完成后，删除相应指针。在APIExamples的源码中可以看到这一点，另外在tesseract/src/api/baseapi.cpp的函数注释中大量出现了类似语句。

The returned iterator must be deleted after use.

例如，我们常用的用于接收GetUTF8Text识别结果的指针，也是需要清理的，针对这个问题，Tesseract的tesseract/unittest/baseapi_test.cc中有一个很好的范例，值得借鉴。

std::string GetCleanedTextResult(tesseract::TessBaseAPI* tess, Pix* pix) {

tess->SetImage(pix);

char* result = tess->GetUTF8Text();

std::string ocr_result = result;

delete[] result;

absl::StripAsciiWhitespace(&ocr_result);

return ocr_result;

}

2 APIExamples源码与验证结果说明

为了方便对比，本文验证的三个示例均使用同一个测试图片，源代码中命名为【phototest.tif】的图片，如下所示：

the test image in Tesseract API Example

【1】Result iterator example输出了识别结果中的每个单词，当前单词可信度[0最低，100最高]，单词在原图中所在的外接矩形坐标。

Pix *image = pixRead("/usr/src/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));

}

Result iterator example

【2】Example of iterator over the classifier choices for a single symbol，该示例设置识别区域是原图中的第5行文字，即”lazy fox. The quick brown dog jumped”。该范例会输出每个字符的识别结果以及当前字符的可信度。

Pix *image = pixRead("/usr/src/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)));

}

the classifier choices for a single symbol

【3】Example to get confidence for alternative symbol choices per character for LSTM，该示例输出了Tesseract认为当前图片中可能的字符，该字符在单词中的排序，相应值的可信度，当前字符所在的外接矩形。

下面截图的是“the lazy”的识别结果。Tesseract识别出的”t”是单词”the”的第一个字符，99%可能是”t”，0%是”h”。而单词”lazy”的第一个字母”l”，Tesseract认为它95%可能是”l”，2%可能是”a”，%1可能是I，%0可能是”j”。

#include <tesseract/baseapi.h>

#include <leptonica/allheaders.h>

int main()

{

tesseract::TessBaseAPI *api = new tesseract::TessBaseAPI();

// Initialize tesseract-ocr with English, without specifying tessdata path

if (api->Init(NULL, "eng")) {

fprintf(stderr, "Could not initialize tesseract.\n");

exit(1);

}

// Open input image with leptonica library

Pix *image = pixRead("/home/ubuntu/tesseract/test/testing/trainingital.tif");

api->SetImage(image);

// Set lstm_choice_mode to alternative symbol choices per character, bbox is at word level.

api->SetVariable("lstm_choice_mode", "2");

api->Recognize(0);

tesseract::PageIteratorLevel level = tesseract::RIL_WORD;

tesseract::ResultIterator* res_it = api->GetIterator();

// Get confidence level for alternative symbol choices. Code is based on

// https://github.com/tesseract-ocr/tesseract/blob/master/src/api/hocrrenderer.cpp#L325-L344

std::vector<std::vector<std::pair<const char*, float>>>* choiceMap = nullptr;

if (res_it != 0) {

do {

const char* word;

float conf;

int x1, y1, x2, y2, tcnt = 1, gcnt = 1, wcnt = 0;

res_it->BoundingBox(level, &x1, &y1, &x2, &y2);

choiceMap = res_it->GetBestLSTMSymbolChoices();

for (auto timestep : *choiceMap) {

if (timestep.size() > 0) {

for (auto & j : timestep) {

conf = int(j.second * 100);

word = j.first;

printf("%d symbol: '%s'; \tconf: %.2f; BoundingBox: %d,%d,%d,%d;\n",

wcnt, word, conf, x1, y1, x2, y2);

gcnt++;

}

tcnt++;

}

wcnt++;

printf("\n");

}

} while (res_it->Next(level));

}

// Destroy used object and release memory

api->End();

pixDestroy(&image);

return 0;

}

per character for LSTM

观察上述三个范例的源码，我们可以发现它们的初始化部分以及整体功能架构是非常相似的，基本顺序为：读取输入图像–>初始化tesseract–>SetImage–>Recognize–>然后从ResultIterator和PageIteratorLevel获取不同的数据并输出。

第【2】个例子中有调用SetRectangle，该函数可以让Tesseract识别指定矩形区；第【2】【3】个例子中均调用了SetVariable，但它们设定了不同的参数。

//用leptonica库函数打开输入图像

Pix *image = pixRead("/usr/src/tesseract/testing/phototest.tif");

//初始化tesseract-ocr为英语，未指定tessdata的路径

tesseract::TessBaseAPI *api = new tesseract::TessBaseAPI();

api->Init(NULL, "eng");

api->SetImage(image);

//识别tesseract设置的全局图像，识别结果是tesseract内部数据结构

api->Recognize(0);

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

tesseract::PageIteratorLevel level = tesseract::RIL_WORD;

首先我们来看一下PageIteratorLevel和ResultIterator。

PageIteratorLevel是一个枚举变量类型，它的定义函数路径为tesseract/include/tesseract/publictypes.h。

/**

* enum of the elements of the page hierarchy, used in ResultIterator

* to provide functions that operate on each level without having to

* have 5x as many functions.

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.

};

ResultIterator则是一个单独用于存储Tessereact识别结果的类，在调用ResultIterator之前，需要已正确初始化tesseract，并且已对图片执行过识别，图片识别可以由recognition/GetUTF8Text/TesseractRect等等函数来实现。该类有各种函数可以获取到Tesseract的识别结果，含字符，字符位置，单词，单词位置，字符与单词可信度等等。具体功能可以查阅其头文件，头文件路径为 include/tesseract/resultiterator.h：

// File: resultiterator.h

// Description: Iterator for tesseract results that is capable of

// iterating in proper reading order over Bi Directional

// (e.g. mixed Hebrew and English) text.

这样我们就可以理解了，Tesseract识别完成后，会将相关的识别结果存放在ResultIterator中，通过PageIteratorLevel可以设定当前获取的识别结果信息类型，可以设定行，段，单词，字符等为单位。通过设定合适的变量，即可从ResultIterator取用需要的值。

例【2】和例【3】中用到的SetVariable是一个神通广大的函数，在src/ccmain/tesseractclass.h中有其部分可设定变量以及含义解释，但是在APIExamples中出现过的”save_blob_choices”和”lstm_choice_mode”并未在该文件中找到，而且可惜的是在Tesseract的Wiki中找不到其完整的可设定变量及相关意义，有知道完整定义的同学还请不吝赐教。