Tesseract-OCR-05-主要API功能介绍

Tesseract-05-主要API功能介绍

• 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：BITS16、array_record、BLOCK、IMAGE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：

（1）tesseract::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。
（2）IMAGE，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 域下

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。

2：SetSourceResolution

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。

3：SetRectangle

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。

4：SetThresholder

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。

5：GetThresholdedImage

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。

6：GetRegions

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。

7：GetTextlines

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。

8：GetStrips

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

9：GetWords

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。

10：GetConnectedComponents

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。

11：GetComponentImages

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。

12：GetThresholdedImageScaleFactor

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。

13：DumpPGM

函数声明：
void tesseract::TessBaseAPI::DumpPGM ( const char * filename )
将内部二值图像放到PGM文件中。

14：AnalyseLayout

函数声明：
PageIterator * tesseract::TessBaseAPI::AnalyseLayout()
以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。

15：Recognize

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。

16：RecognizeForChopTest

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.

17：ProcessPages

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。

18：ProcessPage

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。

19：GetIterator

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。

21：GetUTF8Text

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。

更多文章链接：Tesseract 随笔

---

• ---

  • 本笔记不允许任何个人和组织转载