编写Tesseract的Python扩大

    添加时间:2013-7-18 点击量:

    Tesseract是一个开源的OCR（光学字符辨认）引擎，用于辨认并输出中的文字。固然和贸易软件比起来辨认精度不算很高，然则若是你要寻找免费开源的OCR引擎，可能Tesseract就是独一的选择了。Tesseract用起来还算是斗劲便利。它供给了一个简单的号令行对象，没有很多选项，输入输出就是文字。因为是开源的，你也可以直接编译应用它基于C++的库。


    比来一段时候我对Python产生了很大的爱好。它是如此的简洁高效，只要可以用Python完成的工作就懒得应用其他编程说话。所以到了应用Tesseract的时辰我起首想到了去Google一下有没有Python binding。确切有人应用swig做了个tesseract的封装，不过不幸的是实际应用存在不少题目。起首是安装不便，尤其在mac上的安装令人溃散。即使完成安装，不知为何又segment fault。其次，很多办法只做了简单的封装，又缺乏文档，想做深切一点的应用例如输出文字在图中的地位，感触感染无从着手。不如从Tesseract的源代码入手，本身编写python的扩大，对tesseract的某些感爱好的办法做个封装，也趁便熟悉下Python和C/C++集成的办法。可以在扩大里随心所欲，真是令人表情兴奋。


    起首，新建一个cpp源文件，然后为这个新模块想个名字，比如 tessex。然后，须要定义这个新模块，以及模块里须要露出出来的办法。如许在Python里就可以用import tessex来载入模块。



    static PyMethodDef tessexMethods[] = {

            {    recognize， （PyCFunction）tessex_recognize，

                    METH_VARARGS    |METH_KEYWORDS，

                        recognize text in an image.}，

            {NULL， NULL，     0， NULL}

    };

    

    PyMODINIT_FUNC inittessex（    void） {

        （    void） Py_InitModule（tessex， tessexMethods）;

    }


    这里，我们露出一个办法recognize，用来扫描给定然后返回识此外文字以及地位。大师知道Python办法可以传两种参数，一种是无名的，一种是有名的，分别对应METH_VARARGS以及METH_KEYWORDS。作为一个有点完美主义偏向的人，我把两个选项都勾上了。然后我们看下recognize办法的定义。正如之前讲的，须要声明参数args以及kw。



    static PyObject tessex_recognize（PyObject self， PyObject args， PyObject kw）{


    接下来是展开从Python调用传进来的参数。要应用有名参数，须要把所有参数名都先列出来。



    　　static const char kwlist[]={data， w， h， channels， step， NULL};


    然后调用PyArg_ParseTupleAndKeywords展开有名参数。一个格局字符串用于声明参数的类型。data是图像的像素buffer，实用S类型。w、h、channels、step分别是图像的宽度、高度、信道数、步长，都是整型变量，实用i类型。



        PyStringObject data;

            int w=0;

            int h=0;

            int channels=0;

            int step=0;

    

            if （!PyArg_ParseTupleAndKeywords（args， kw， Siiii， （char）（kwlist），

                    &data， &w， &h， &channels， &step）） {

            PyErr_SetString（PyExc_Exception，     Tessex: Failed to parse arguments.）;

                return NULL;

        }


    

    我们要开端应用Tesseract的API了。Tesseract支撑多种说话，不过说话包要分别安装。这里我们应用英语。 
    

    

        tesseract::TessBaseAPI api = new tesseract::TessBaseAPI（）;

            if （api->Init（NULL， eng）） {

            PyErr_SetString（PyExc_Exception，     Tessex: Failed to initialize tesseract API.）;

                return NULL;

        }
    

    

     把传入的图像数据传递给Tesseract，然掉队行辨认。
    

    

        api->SetImage（（const unsigned char）PyString_AS_STRING（data），

                w， h， channels， step）;

    

        api    ->Recognize（0）;
    

    

    辨认成果的处理惩罚稍微错杂点。一般的应用若是只想获得所有文字，只要调用GetUTF8Text（）就完了。然则我想知道每一行的文字，它们的具体地位以及可托度，就须要对辨认成果进行具体的解析。荣幸的是Tesseract供给了iterator接口，可以返回不合粒度的数据。这里我选择了按行输出，即RIL_TEXTLINE。 
    

    

        PyObject l = PyList_New（0）;

        tesseract::ResultIterator     it = api->GetIterator（）;

        it    ->Begin（）;

            while（1） {

                char utf8_text;

                int left， top， right， bottom;

                int confidence = 0;

    

            utf8_text     = it->GetUTF8Text（tesseract::RIL_TEXTLINE）;

                if （utf8_text == NULL）

                    break;

    

            confidence     = it->Confidence（tesseract::RIL_TEXTLINE）;

            it    ->BoundingBox（tesseract::RIL_TEXTLINE， &left， &top， &right， &bottom）;

    

            PyObject     t = Py_BuildValue（（siiiii）， utf8_text，

                    left， top， right， bottom， confidence）;

            PyList_Append（l， t）;

    

             []utf8_text;

    

            it    ->Next（tesseract::RIL_TEXTLINE）;

        }

        api    ->End（）;

    

        PyObject     o = Py_BuildValue（O， l）;

    

            return o;
    

    

    返回的是一个list，其每个元素都是一个tuple，代表辨认出来的文字行，包含文字、地位和可托度。
    

    最后不要忘了include须要的头文件，并在链接选项里参加须要的库。
    

    

    ＃include Python.h

    ＃include     <tesseract/baseapi.h>

    ＃include     <tesseract/resultiterator.h>
    

    

    具体如何编译tesseract可以参考https://code.google.com/p/tesseract-ocr/wiki/Compiling/ 
    

    在示例代码里我们并没有效到任何图形库。然则因为要应用Tesseract就必须链接leptonica库，所以须要参加链接选项-llept。
    

    若是你想在扩大里应用leptonica的功能可以include <leptonica/allheaders.h>。或者你想应用openCV，可以include <opencv2/opencv.hpp>并链接-lopencv_XXXXX。
    

    

    如许代码项目组算是完成了。不过接下来还有一步，我们须要打包完成一个Python扩大使之轻易编译和安装。可以应用distutils模块。
    

    

     distutils.core import setup， Extension

    

    tessenigma     = Extension （

            tessex， 

        sources    =[tessex.cpp]，

            include_dirs     = [/usr/local/include]，

        libraries    =[ tesseract]， 

        library_dirs    =[/usr/local/lib]

    ）

    

    setup （name    =tessex， 

        version    =1.0，

        description    =This is a tesseract extensiion.，

        ext_modules     = [tessex]）
    

    

    把这些定义写入一个setup.py文件里。如许我们就可以用凡是的体式格式编译和安装模块了。编译用setup.py build。一个动态链接库会生成。例如在Linux下面就是tessex.so。安装模块应用setup.py install。前面生成的库文件会被复制到Python的site-packages下面。当然你也可以手动复制到￥PYTHONPATH路径下面，一样能被Python找到。
    

    

    安装好扩大后，在Python里是如许调用的，假定我们应用一个openCV图像：
    

    

    import tessex
    import cv

    cv_img = cv.LoadImage（path， cv.CV_LOAD_IMAGE_COLOR）

    lines = tessex.recognize（

            data    =cv_img.tostring（），

            w    =cv_img.width，

            h    =cv_img.height，

            channels    =cv_img.nChannels， 

            step    =cv_img.width  cv_img.nChannels  cv_img.depth / 8）

    

    for line in lines:

    　　line_text， left， top， right， bottom， confidence     = line
    

    

    经由过程Tesseract扩大，可以在Python中斗劲便利地辨认图像中的文字以及地位，对基于图像识此外主动化测试是很有帮助的。
    

    彼此相爱，却不要让爱成了束缚：不如让它成为涌动的大海，两岸乃是你们的灵魂。互斟满杯，却不要同饮一杯。相赠面包，却不要共食一个。一起歌舞欢喜，却依然各自独立，相互交心，却不是让对方收藏。因为唯有生命之手，方能收容你们的心。站在一起却不要过于靠近。—— 纪伯伦《先知》

    


    
                     
                  
     

    
分享到：