tesseract中以下代码的字典输出的键值表示什么？

Question

我在python中使用以下代码：

我在字典中得到以下键值：

'block_num' 'conf'  'level' 'line_num'  'page_num'  'par_num', 'text', 'top', 'width', 'word_num', 'height, 'left'.

这些键值表示什么

我试图在tesseract的官方文档中找到这些。如果您有一些解释相同的链接，请提供或解释。

    img = cv2.imread('../Image_documents/6.png')
    d = pytesseract.image_to_data(img, output_type=Output.DICT)
    pprint.pprint(d)

Answer 1

您调用了API来获取有关图像中文本的信息。

思考响应的最佳方法是将图像突出显示的文本区域中的方框（矩形）组成。

结果集包含多个不同级别的值。

您可以检查level键的值以查看属于哪个级别的框。以下是受支持的值：

1. 页面
2. 阻止
3. 段落
4. 行
5. 单词

图像可以包含多个相同类型的块，这些属性用于定义块在列表和父级层次结构中的位置-page_num，block_num，par_num，line_num ，word_num

top，width，height，left值定义盒子形状。

让我们看一下示例，看看它是如何工作的。

假设我们在同一行上有两个单词的图片。

对于该图片，tesseract返回6个框： 页面1个，块1个，段落1个，行1个，单词2个

这是您获得的数据：

• “级别”：[1、2、3、4、5、5]
• 'page_num'：[1、1、1、1、1、1]
• 'block_num'：[0，1，1，1，1，1]
• 'par_num'：[0，0，1，1，1，1]
• 'line_num'：[0，0，0，1，1，1]
• 'word_num'：[0，0，0，0，1，2]

以下代码在图像上呈现所有级别框：

d = pytesseract.image_to_data(image, output_type=Output.DICT)
n_boxes = len(d['level'])
for i in range(n_boxes):
    (x, y, w, h) = (d['left'][i], d['top']
                    [i], d['width'][i], d['height'][i])
    cv2.rectangle(image, (x, y), (x + w, y + h), (0, 255, 0), 2)