如何从 tess-two 中正确提取 text 和 boxRects？

Question

我有一个带有返回对象的 TessBaseAPI() 对象。我想用边界框提取单词，但似乎无法正常工作。

val Text = tesseract.getUTF8Text()

给我文本。

val Words = tesseract.getWords.boxRects

为我提供了可以循环但它们与 getUTF8Text() 不匹配的边界框。

遍历 tesseract.getWords 中的数据对象并尝试将其转换为字符串给我带来了混乱。

val Words = tesseract.getWords
for(i in Words) {
    Log.i(TAG, i.data.toString())
}

我发现一个非常糟糕的解决方法是使用 .getHOCRText 并对生成的内容执行正则表达式以获取文本和框。

val result = tesseract.getHOCRText(0)

val BoxPattern = Pattern.compile("(?<=title='bbox ).*?(?=; x_wconf)")
val BoxMatch = BoxPattern.matcher(result)
while(BoxMatch.find()) {
    Log.i(TAG, BoxMatch.group().toString())
}

val TextPattern = Pattern.compile("(?<='>).*?(?=<\/span>)")
val TextMatch = TextPattern.matcher(result)
while(TextMatch.find()) {
    Log.i(TAG, TextMatch.group().toString())
}

那么，我怎样才能正确地从 tess-two 中提取 text 和 boxRects 呢？

Answer 1

我解决了！

// As before
val tesseract = TessBaseAPI()
tesseract.init("/storage/emulated/0/com.ubft/", "eng")
tesseract.setImage(bm)

// Call utF8Text. Otherwise iterator returns null
tesseract.utF8Text

// Initiate an iterator
val iterator = tesseract.getResultIterator()

iterator.begin()
do {
    val text = iterator.getUTF8Text(TessBaseAPI.PageIteratorLevel.RIL_TEXTLINE)
    val boundingBox = iterator.getBoundingRect(TessBaseAPI.PageIteratorLevel.RIL_TEXTLINE)

    // Do what you want with the result...

    } while (iterator.next(TessBaseAPI.PageIteratorLevel.RIL_TEXTLINE))

iterator.delete()

TessbaseAPI.PageIteratorLevel 可以指定要返回的文本结构类型（段落、单词、行或按字符）。

如何从 tess-two 中正确提取 text 和 boxRects？

How do I properly extract text and boxRects from tess-two?

android

kotlin

tess-two