Question

我正在使用tesseract进行OCR。我能够使应用程序正常工作并获得输出。在这里，我试图从发票中提取数据并获取提取的数据。但是输入文件中单词之间的间距必须与输出文件中的相似。我现在正在获取每个单词和坐标。我需要根据坐标导出到文本文件

代码示例：

            using (var engine = new TesseractEngine(Server.MapPath(@"~/tessdata"), "eng", EngineMode.Default))
            {
                engine.DefaultPageSegMode = PageSegMode.AutoOsd;
                // have to load Pix via a bitmap since Pix doesn't support loading a stream.

                using (var image = new System.Drawing.Bitmap(imageFile.PostedFile.InputStream))
                {

                    Bitmap bmp = Resize(image, 1920, 1080);

                    using (var pix = PixConverter.ToPix(image))
                    {
                        using (var page = engine.Process(pix))
                        {
                            using (var iter = page.GetIterator())
                            {
                                iter.Begin();
                                do
                                {
                                    Rect symbolBounds;
                                    string path = Server.MapPath("~/Output/data.txt");
                                    if (iter.TryGetBoundingBox(PageIteratorLevel.Word, out symbolBounds))
                                    {
                                        // do whatever you want with bounding box for the symbol

                                    var curText = iter.GetText(PageIteratorLevel.Word);

                                        //WriteToTextFile(curText, symbolBounds, path);
                                        resultText.InnerText += curText;
                                        // Your code here, 'rect' should containt the location of the text, 'curText' contains the actual text itself
                                    }
                                } while (iter.Next(PageIteratorLevel.Word));
                            }


                            meanConfidenceLabel.InnerText = String.Format("{0:P}", page.GetMeanConfidence());

                        }
                    }
                }
            }

这是一个输入和输出示例，显示了错误的间距。

Input Output

Answer 1

您可以使用page.GetIterator()遍历页面中找到的项目。对于单个项目，您可以得到一个“边界框”，这是一个Tesseract.Rect（矩形结构），其中包含：X1，Y1，X2，{{1} }坐标。

Y2

没有明确的方法可以使用输入中的位置在输出中分隔文本。您将必须为此编写一些自定义逻辑。

您可以使用以下类似的代码来估算文本左侧所需的空格数：

Tesseract.PageIteratorLevel myLevel = /*TODO*/;
using (var page = Engine.Process(img))
using (var iter = page.GetIterator())
{
    iter.Begin();
    do
    {
        if (iter.TryGetBoundingBox(myLevel, out var rect))
        {
            var curText = iter.GetText(myLevel);
            // Your code here, 'rect' should containt the location of the text, 'curText' contains the actual text itself
        }
    } while (iter.Next(myLevel));
}

Tesseract OCR文字位置

1 个答案: