Я пытаюсь изучать Python параллельно с Tesseract API. Моя конечная цель - узнать, как использовать API Tesseract, чтобы иметь возможность читать документ и выполнять базовую проверку ошибок. Я нашел несколько примеров, которые кажутся хорошими для начала, но у меня возникают проблемы с пониманием разницы между двумя частями кода, которые, хотя и отличаются по поведению, кажутся мне эквивалентными. Они оба были слегка измененыhttps://pypi.python.org/pypi/tesserocr .

Первый пример производит этот вывод:

$ time ./GetComponentImagesExample2.py|tail -2
symbol MISSISSIPPI,conf: 88.3686599731


real    0m14.227s
user    0m13.534s
sys 0m0.397s

Это точно и завершается за 14 секунд. Рассматривая остальную часть вывода, это довольно хорошо - я, вероятно, несколько команд SetVariable от точности 99 +%.

$ ./GetComponentImagesExample2.py|wc -l
    1289

Вручную просматривая результаты, кажется, получается весь текст.

#!/usr/bin/python
from PIL import Image
Image.MAX_IMAGE_PIXELS=1000000000
from tesserocr import PyTessBaseAPI, RIL, iterate_level

image = Image.open('/Users/chrysrobyn/tess-install/tesseract/scan_2_new.tif')
with PyTessBaseAPI() as api:
    api.SetImage(image)
    api.Recognize()
    api.SetVariable("save_blob_choices","T")
    ri=api.GetIterator()
    level=RIL.WORD
    boxes = api.GetComponentImages(RIL.WORD, True)
    print 'Found {} textline image components.'.format(len(boxes))
    for r in iterate_level(ri, level):
        symbol = r.GetUTF8Text(level)
        conf = r.Confidence(level)
        if symbol:
            print u'symbol {},conf: {}\n'.format(symbol,conf).encode('utf-8')

Второй пример производит этот вывод.

$ time ./GetComponentImagesExample4.py|tail -4
symbol MISSISS IPPI
,conf: 85


real    0m17.524s
user    0m16.600s
sys 0m0.427s

Это менее точно (дополнительный пробел обнаружен в слове) и медленнее (занимает 17,5 секунд).

$ ./GetComponentImagesExample4.py|wc -l
     223

Этому очень не хватает большого количества текста, и я не понимаю, почему он пропускает некоторые вещи.

#!/usr/bin/python
from PIL import Image
Image.MAX_IMAGE_PIXELS=1000000000
from tesserocr import PyTessBaseAPI, RIL

image = Image.open('/Users/chrysrobyn/tess-install/tesseract/scan_2_new.tif')
with PyTessBaseAPI() as api:
    api.SetImage(image)
    api.Recognize()
    api.SetVariable("save_blob_choices","T")
    boxes = api.GetComponentImages(RIL.WORD, True)
    print 'Found {} textword image components.'.format(len(boxes))
    for i, (im, box, _, _) in enumerate(boxes):
        api.SetRectangle(box['x'], box['y'], box['w'], box['h'])
        ocrResult = api.GetUTF8Text()
        conf = api.MeanTextConf()
        if ocrResult:
            print u'symbol {},conf: {}\n'.format(ocrResult,conf).encode('utf-8')
#        print (u"Box[{0}]: x={x}, y={y}, w={w}, h={h}, "
#               "confidence: {1}, text: {2}").format(i, conf, ocrResult, **box).encode('utf-8')

Моя конечная цель заключается в понимании того, где текст находится в документе, поэтому мне нужны ограничивающие рамки, как во втором примере. Насколько я могу судить, iterate_level не отображает координаты найденного текста, поэтому мне нужен GetComponentImages ... но вывод не эквивалентен.

Почему эти части кода ведут себя по-разному в скорости и точности? Могу ли я получить GetComponentImages в соответствии с GetIterator?