搜索
tesseract本身代码是由c/c++混编而成的，其中有用的简单的接口函数几乎都是在baseapi.h中。从其处理过程中，不难得出：它还需要有一个image处理的类，及相关的方法；这样子，读取图片后，生成image对象，再获取相关的参数；当然还需要有对image对象的读取，版面分析等接口函数；再次，它还定义了很多自身的数据类型，比如：BITS16、array_record、BLOCK、IMAGE等；而且它具有自学的能力。现在，我们从头有调理地简单讲述一下子：（1）tesseract::TessBaseAPI，基础的接口函数，包含了初始化，简单的处理图片文字信息，版面分析的结果体等。（2）IMAGE，只是一个类，里边封装了相关的图片操作，包括图片的读取，图片参数信息的获取等。（3）其他，包括数据类型声明，相关结构体声明，跨平台处理，命令端参数提取等。我们在实际中用到的就是前两个里边的东西。声明：以下函数皆是在tesseract::TessBaseAPI域下1:SetImage函数声明：voidtesseract::TessBaseAPI::SetImage(constunsignedchar*imagedata,intwidth,intheight,intbytes_per_pixel,intbytes_per_line)为Tesseract提供待识别的图片。2：SetSourceResolution函数声明：voidtesseract::TessBaseAPI::SetSourceResolution(intppi)设置源图像的分辨率（像素每英尺），可以计算最终的字体大小信息。SetImage之后调用此函数。3：SetRectangle函数声明：voidtesseract::TessBaseAPI::SetRectangle(intleft,inttop,intwidth,intheight)将识别限制到图像的一个子矩形区域，SetImage之后调用此函数。每一次该函数调用后将清除识别结果，以便同一张图像可以进行多矩形区域的识别。4：SetThresholder函数声明：voidtesseract::TessBaseAPI::SetThresholder(ImageThresholder*thresholder)在一些特殊的情况下，通常是产生一个阈值器类的子类的时候，该函数可以提供一个不同的阈值器，阈值器可能会随着图片和设定预装入，或者被随后设定。Tesseract拥有阈值器支配权，并在它被替换或是API被析构后删除。5：GetThresholdedImage函数声明：Pix*tesseract::TessBaseAPI::GetThresholdedImage()从Tesseract获得内部阈值图像的拷贝，在SetImage或者TesseractRect之后可以随时别调用。注意，只有安装了Leptonica之后才可使用。6：GetRegions函数声明：Boxa*tesseract::TessBaseAPI::GetRegions(Pixa**pixa)以aleptonica-styleBoxa,Pixapair格式获得页面结构分析的结果，在Recognize前后均可被调用。7：GetTextlines函数声明：Boxa*tesseract::TessBaseAPI::GetTextlines(Pixa**pixa,int**blockids)以aleptonica-styleBoxa,Pixapair格式获取文本行，在Recognize前后均可被调用。如果blockids（block数目）是空的话，每行block-id返回每行一个元素的数组，使用之后被删除。8：GetStrips函数声明：Boxa*tesseract::TessBaseAPI::GetStrips(Pixa**pixa,int**blockids)以aleptonica-styleBoxa,Pixapair格式获取图像区域的文本行和条形区域，方便后面非矩形区域的处理。在Recognize前后均可被调用9：GetWords函数声明：Boxa*tesseract::TessBaseAPI::GetWords(Pixa**pixa)以aleptonica-styleBoxa,Pixapair格式获取图像区域的文字，在Recognize前后均可被调用。10：GetConnectedComponents函数声明：Boxa*tesseract::TessBaseAPI::GetConnectedComponents(Pixa**pixa)在页面分析之后识别之间，以aleptonica-styleBoxa,Pixapair格式获得独立连通的文本区域，在Recognize前后均可被调用。11：GetComponentImages函数声明：Boxa*tesseract::TessBaseAPI::GetComponentImages(PageIteratorLevellevel,booltext_only,Pixa**pixa,int**blockids)以aleptonica-styleBoxa,Pixapair格式获得制定级别的元素（block，textline,word），在Recognize前后均可被调用。果blockids（block数目）是空的话，每行block-id返回每行一个元素的数组，使用之后被删除。如果text_only为真，只有text可被返回。12：GetThresholdedImageScaleFactor函数声明：inttesseract::TessBaseAPI::GetThresholdedImageScaleFactor()const返回阈值图像的比例系数，该阈值图像由yGetThresholdedImage()和调用了GetComponentImages()的GetX()函数返回。13：DumpPGM函数声明：voidtesseract::TessBaseAPI::DumpPGM(constchar*filename)将内部二值图像放到PGM文件中。14：AnalyseLayout函数声明：PageIterator*tesseract::TessBaseAPI::AnalyseLayout()以SetPageSegMode设定的模式进行页面结构分析,返回一个(iterator),错误返回为空。Iterator使用后必须删除。注意：该函数指向TessBaseAPI类内部的数据，因此必须在TessBaseAPI存在的情况下才可被调用。不能被改变内部PAGE_RES的Init,SetImage,Recognize,Clear,EndDetectOS或者其他调用。15：Recognize函数声明：inttesseract::TessBaseAPI::Recognize(ETEXT_DESC*monitor)识别来自SetAndThresholdImage的图像，产生Tesseract内部结构数据，成功返回0，如果需要，下面的Get*Tex函数会调用它。识别完成后，在SetImage之前，输出都会保持在内部。16：RecognizeForChopTest函数声明：inttesseract::TessBaseAPI::RecognizeForChopTest(ETEXT_DESC*monitor)检索来自SetAndThresholdImage(),Recognize()orTesseractRect()的信息（在需要的情况下隐式调用Recognize）。对Recognize变化一测试chopper.17：ProcessPages函数声明：booltesseract::TessBaseAPI::ProcessPages(constchar*filename,constchar*retry_config,inttimeout_millisec,STRING*text_out)识别指定文件的所有页面，文件格式为(amulti-pagetifforlistoffilenames,orsingleimage),并且根据参数（tessedit_create_boxfile,tessedit_make_boxes_from_boxes,tessedit_write_unlv,tessedit_create_hocr.）得到合适的文本。在输入文件的每一页运行ProcessPage，输入文件可以是（amulti-pagetiff,single-pageotherfileformat,oraplaintextlistofimagestoread）,返回值放在text_out中。如果tessedit_page_number非负，程序将会在其所代表那一页开始。运行错误返回false.如果程序暂停在某一页timeout_millisec（非负）时间终止程序，或者由于某些原因一些页面处理失败，该页面将会以retry_config的配置文件重新处理。18：ProcessPage函数声明：booltesseract::TessBaseAPI::ProcessPage(Pix*pix,intpage_index,constchar*filename,constchar*retry_config,inttimeout_millisec,STRING*text_out)为ProcessPages进行单页面识别。Text放到text_out中，pix是文件名，page_index是边缘处理后的元数据，比如box文件，或者hOCR格式文件。19：GetIterator函数声明：ResultIterator*tesseract::TessBaseAPI::GetIterator()为LayoutAnalysisand/orRecognize运行结果获取读取顺序的迭代器（iterator），使用之后删除。20：GetMutableIterator函数声明：MutableIterator*tesseract::TessBaseAPI::GetMutableIterator（）为LayoutAnalysisand/orRecognize运行结果获取可变的迭代器（iterator），使用之后删除。21：GetUTF8Text函数声明：char*tesseract::TessBaseAPI::GetUTF8Text()识别的文本被返回为字符指针，以UTF8编码（mustbefreedwiththedelete[]operator）。从内部数据结构中获得文本字符串。22：函数声明：char*tesseract::TessBaseAPI::GetHOCRText(intpage_number)