有谁知道pytesseract的image_to_data和image_to_osd方法的输出的含义？

我正在尝试使用 pytesseract 从图像中提取数据。该模块有 image_to_data 和 image_to_osd 方法。这两种方法提供了大量信息（ TextLineOrder 、 WritingDirection 、 ScriptDetection 、 Orientation 等）作为输出。

下图是该方法的输出。这些列的值（ image_to_data 、 level 、 block_num 、 par_num 、 line_num ）是什么意思？ word_num

image_to_osd 的输出如下所示。其中每个术语的含义是什么？ 我参考了文档，但没有找到有关这些参数的任何信息。

Page number: 0
Orientation in degrees: 0
Rotate: 0
Orientation confidence: 16.47
Script: Latin
Script confidence: 4.00

I referred to docs but I did not find any info regarding these parameters.

好的，让我们来分解一下 pytesseract 中 image_to_data 和 image_to_osd 的输出。

1. image_to_data

image_to_data 方法提供有关图像中检测到的文本的全面信息，将其分解为单词和行等层次结构。以下是输出的每个列标题的含义：

• level: 表示检测到的文本组件的层次级别。
  • 1: 页面
  • 2: 块
  • 3: 段落
  • 4: 行
  • 5: 单词
• page_num: 图像中的页码（如果输入是多页文档）。
• block_num: 页面内文本块的编号。文本块对应于被认为是文本的不同“块”的区域，例如段落、标题等。
• par_num: 文本块内的段落编号。
• line_num: 段落内的行号。
• word_num: 行内的单词编号。
• left: 文本组件边界框的左上角 x 坐标。
• top: 文本组件边界框的左上角 y 坐标。
• width: 文本组件边界框的宽度。
• height: 文本组件边界框的高度。
• conf: 检测到的单词的置信度（0 到 100）。较低的值表示置信度较低。

• text: 识别出的文本内容（如果 output_type 设置为 Output.DICT ，则此列将存在）。

• image_to_osd

image_to_osd 方法执行方向和脚本检测。它提供有关整个图像的元信息，而不是像 image_to_data 那样提供逐个单词的信息。以下是输出的每个字段的含义：

• Page number: 图像中的页码。
• Orientation in degrees: 图像中文本的主要方向（以度为单位）。通常是 0（无旋转）、90、180 或 270。
• Rotate: 图像旋转到正确定向的推荐角度。
• Orientation confidence: 检测到的方向的置信度分数。较高的值表示置信度较高。
• Script: 检测到的文本的脚本（例如，Latin、Arabic、Cyrillic 等）。
• Script confidence: 检测到的脚本的置信度分数。较高的值表示置信度较高。

换句话说：

• 当需要对检测到的文本进行详细分析（例如提取特定单词、行或段落）时，请使用 image_to_data 。层次结构使可以按页面、块、段落、行和单词组织文本。
• 当需要有关整个图像文本的方向和脚本的信息时，请使用 image_to_osd 。这些信息可用于预处理图像（例如，通过旋转到正确方向）以提高 OCR 精度。

我希望这个解释对有所帮助！如果还有其他问题，请告诉我。