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》
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》
