Tesseract-05-主要API功能介紹
- tesseract本身代碼是由c/c++混編而成的，其中有用的簡單的接口函數幾乎都是在baseapi.h中
- 從其處理過程中，不難得出：
- 它還需要有一個image處理的類，及相關的方法；
- 這樣子，讀取圖片后，生成image對象，再獲取相關的參數；
- 當然還需要有對image對象的讀取，版面分析等接口函數；
- 再次，它還定義了很多自身的數據類型，比如：BITS16、array_record、BLOCK、IMAGE等；
- 而且它具有自學的能力
現在，我們從頭有調理地簡單講述一下子：
（1）tesseract::TessBaseAPI，基礎的接口函數，包含了初始化，簡單的 處理圖片文字信息，版面分析的結果體等。
（2）IMAGE，只是一個類，里邊封裝了相關的圖片操作，包括圖片的 讀取，圖片參數信息的獲取等。
（3）其他，包括數據類型聲明，相關結構體聲明，跨平台處理，命令端參數提取等。
我們在實際中用到的就是前兩個里邊的東西
聲明：以下函數皆是在 tesseract::TessBaseAPI 域下
1: SetImage
函數聲明：
void tesseract::TessBaseAPI::SetImage ( const unsigned char * imagedata,
int width,
int height,
int bytes_per_pixel,
int bytes_per_line
)
為Tesseract 提供待識別的圖片。
2：SetSourceResolution
函數聲明：
void tesseract::TessBaseAPI::SetSourceResolution(int ppi)
設置源圖像的分辨率（像素每英尺），可以計算最終的字體大小信息。 SetImage之后調用此函數。
3：SetRectangle
函數聲明：
void tesseract::TessBaseAPI::SetRectangle ( int left,
int top,
int width,
int height
)
將識別限制到圖像的一個子矩形區域，SetImage 之后調用此函數。每一次該函數調用后將清除識別結果，以便同一張圖像可以進行多矩形區域的識別。
4：SetThresholder
函數聲明：
void tesseract::TessBaseAPI::SetThresholder(ImageThresholder * thresholder)
在一些特殊的情況下， 通常是產生一個閾值器類的子類的時候，該函數可以提供一個不同的閾值器，閾值器可能會隨着圖片和設定預裝入，或者被隨后設定。Tesseract 擁有閾值器支配權，並在它被替換或是API被析構后刪除。
5：GetThresholdedImage
函數聲明：
Pix * tesseract::TessBaseAPI::GetThresholdedImage()
從Tesseract獲得內部閾值圖像的拷貝，在SetImage 或者TesseractRect 之后可以隨時別調用。 注意，只有安裝了Leptonica之后才可使用。
6：GetRegions
函數聲明：
Boxa * tesseract::TessBaseAPI::GetRegions ( Pixa ** pixa )
以aleptonica-style Boxa, Pixa pair 格式獲得頁面結構分析的結果，在Recognize前后均可被調用。
7：GetTextlines
函數聲明：
Boxa * tesseract::TessBaseAPI::GetTextlines ( Pixa ** pixa,
int ** blockids
)
以aleptonica-style Boxa, Pixa pair 格式獲取文本行，在Recognize前后均可被調用。如果blockids（block數目） 是空的話，每行block- id返回每行一個元素的數組，使用之后被刪除。
8：GetStrips
函數聲明：
Boxa * tesseract::TessBaseAPI::GetStrips ( Pixa ** pixa,
int ** blockids
)
以aleptonica-style Boxa, Pixa pair 格式獲取圖像區域的文本行和條形區域，方便后面非矩形區域的處理。在Recognize前后均可被調用
9：GetWords
函數聲明：
Boxa * tesseract::TessBaseAPI::GetWords(Pixa ** pixa)
以aleptonica-style Boxa, Pixa pair 格式獲取圖像區域的文字，在Recognize前后均可被調用。
10：GetConnectedComponents
函數聲明：
Boxa * tesseract::TessBaseAPI::GetConnectedComponents ( Pixa ** pixa )
在頁面分析之后識別之間，以aleptonica-style Boxa, Pixa pair 格式獲得獨立連通的文本區域，在Recognize前后均可被調用。
11：GetComponentImages
函數聲明：
Boxa * tesseract::TessBaseAPI::GetComponentImages ( PageIteratorLevel
level,
bool text_only,
Pixa ** pixa,
int ** blockids
)
以aleptonica-style Boxa, Pixa pair 格式獲得制定級別的元素（block，textline, word），在Recognize前后均可被調用。果blockids（block數目） 是空的話，每行block- id返回每行一個元素的數組，使用之后被刪除。如果text_only 為真， 只有text可被返回。
12：GetThresholdedImageScaleFactor
函數聲明：
int tesseract::TessBaseAPI::GetThresholdedImageScaleFactor()const
返回閾值圖像的比例系數，該閾值圖像由yGetThresholdedImage() 和調用了GetComponentImages()的GetX()函數返回。
13：DumpPGM
函數聲明：
void tesseract::TessBaseAPI::DumpPGM ( const char * filename )
將內部二值圖像放到PGM文件中。
14：AnalyseLayout
函數聲明：
PageIterator * tesseract::TessBaseAPI::AnalyseLayout()
以SetPageSegMode設定的模式進行頁面結構分析,返回一個(iterator),錯誤返回為空。Iterator 使用后必須刪除。注意：該函數指向TessBaseAPI 類內部的數據，因此必須在TessBaseAPI 存在的情況下才可被調用。不能被改變內部PAGE_RES的 Init, SetImage, Recognize, Clear, End DetectOS或者其他調用。
15：Recognize
函數聲明：
int tesseract::TessBaseAPI::Recognize(ETEXT_DESC * monitor)
識別 來自SetAndThresholdImage的圖像， 產生Tesseract 內部結構數據，成功返回0，如果需要，下面的Get*Tex函數會調用它。識別完成后，在SetImage之前，輸出都會保持在內部。
16：RecognizeForChopTest
函數聲明：
int tesseract::TessBaseAPI::RecognizeForChopTest(ETEXT_DESC * monitor)
檢索來自SetAndThresholdImage(), Recognize() or TesseractRect()的信息（在需要的情況下隱式調用Recognize）。對Recognize 變化一測試chopper.
17：ProcessPages
函數聲明：
bool tesseract::TessBaseAPI::ProcessPages ( const char * filename,
const char * retry_config,
int timeout_millisec,
STRING *
text_out
)
識別指定文件的所有頁面，文件格式為(a multi-page tiff or list of filenames, or single image), 並且根據參數（tessedit_create_boxfile, tessedit_make_boxes_from_boxes, tessedit_write_unlv, tessedit_create_hocr.）得到合適的文本。在輸入文件的每一頁運行ProcessPage，輸入文件可以是（a multi-page tiff, single-page other file format, or a plain text list of images to read）,返回值放在text_out中。如果tessedit_page_number 非負，程序將會在其所代表那一頁開始。運行錯誤返回false. 如果程序暫停在某一頁timeout_millisec （非負） 時間終止程序，或者由於某些原因一些頁面處理失敗，該頁面將會以retry_config 的配置文件重新處理。
18：ProcessPage
函數聲明：
bool tesseract::TessBaseAPI::ProcessPage ( Pix * pix,
int page_index,
const char * filename,
const char * retry_config,
int timeout_millisec,
STRING *
text_out
)
為 ProcessPages進行單頁面識別。Text放到text_out中， pix是文件名，page_index是邊緣處理后的元數據，比如box文件，或者hOCR格式文件。
19：GetIterator
函數聲明：
ResultIterator * tesseract::TessBaseAPI::GetIterator()
為 LayoutAnalysis and/or Recognize運行結果獲取讀取順序的迭代器（iterator），使用之后刪除。
20：GetMutableIterator
函數聲明：
MutableIterator * tesseract::TessBaseAPI::GetMutableIterator（）
為 LayoutAnalysis and/or Recognize運行結果獲取可變的迭代器（iterator），使用之后刪除。
21：GetUTF8Text
函數聲明：
char * tesseract::TessBaseAPI::GetUTF8Text()
識別的文本被返回為字符指針，以UTF8編碼（must be freed with the delete [] operator）。從內部數據結構中獲得文本字符串。
更多文章鏈接：Tesseract 隨筆
-
- 本筆記不允許任何個人和組織轉載