Question

在Tesseract FAQ他们说你可以：

如何获得每个角色的坐标和置信度？

有   有两种选择。如果你不想进入编程，你可以   使用Tesseract的特殊输出格式（阅读Tesseract手册页   详情）。

但是当我创建一个示例hOCR输出（它是一个.html文件）时，边界框和置信度仅在单词级 时可用。

我在这里错过了什么吗？

我已将示例输入/输出添加为插图（输入已调整大小）。

这是输入图像：

这是Tesseract的hOCR输出：

<!DOCTYPE html PUBLIC "-//W3C//DTD HTML 4.01 Transitional//EN" "http://www.w3.org/TR/html4/loose.dtd"> <html> <head> <title></title> <meta http-equiv="Content-Type" content="text/html;charset=utf-8" /> <meta name='ocr-system' content='tesseract'/> </head> <body> <div class='ocr_page' id='page_1' title='image "in2.tif"; bbox 0 0 1882 354'> <div class='ocr_carea' id='block_1_1' title="bbox 78 59 457 100"> Dear Mr: Grover: </div> <div class='ocr_carea' id='block_1_2' title="bbox 75 154 1842 317"> If you've been looking for a reporting tool that allows users to create great looking reports quickly, as well as providing the control and industrial strength features that an IS professional demands...look no further! </div> </div> </body> </html>

Answer 1

你已经看过了：它不存在。

因此，您可以修改Tesseract源代码以输出支持您想要的x_confs属性的hOCR格式，或者使用其ResultIterator API类来获得对字符（符号）级别的信心（确保{{1} } SetVariable("save_blob_choices", "T")方法之后）。

Answer 2

现在似乎可以在Tesseract 4.x中使用。

在以下位置查看我的答案

https://stackoverflow.com/a/57766860/1021819

在配置文件中将hocr_char_boxes设置为1。或者，在命令行上，   您更新的命令将是：

tesseract [图像名称] outputbase --oem 1 -l eng --psm 8 -c   hocr_char_boxes = 1 hocr注意hocr输出选项，并在其中   ..._ wconf的文件，例如

让我知道这是否对您有用，否则我只会   删除答案。

来源：   https://github.com/tesseract-ocr/tesseract/issues/1465#issuecomment-513139976

Tesseract的hOCR输出真的包含每个角色的边界框和置信度吗？

这是输入图像：

这是Tesseract的hOCR输出：

2 个答案: