Rozpoznawanie tekstu na obrazach za pomocą ML Kit na Androida

Zadbaj o dobrą organizację dzięki kolekcji Zapisuj i kategoryzuj treści zgodnie ze swoimi preferencjami.

Możesz używać narzędzia ML Kit do rozpoznawania tekstu na obrazach lub w filmach, np. jako znaku na ulicy. Główne cechy tej funkcji to:

Interfejs API rozpoznawania tekstu
OpisRozpoznawanie tekstu alfabetu łacińskiego na obrazach i filmach
Nazwa bibliotekicom.google.android.gms:play-services-mlkit-text-recognition
WdrażanieBiblioteka jest pobierana dynamicznie przez Usługi Google Play.
Wpływ na rozmiar aplikacji260KB
Czas inicjowaniaZanim będzie można pobrać bibliotekę, być może trzeba będzie poczekać na jej pobranie.
WynikiW czasie rzeczywistym na większości urządzeń.

Interfejs rozpoznający tekst używa biblioteki w pakiecie, która musi zostać pobrana. Pobieranie możesz przeprowadzić podczas instalowania lub uruchamiania aplikacji albo za pomocą interfejsu ModuleInstallClient API w Usługach Google Play. W wielu przypadkach inne aplikacje na Androida mogły już wykonać ten krok. W takim przypadku interfejs API jest dostępny od razu.

Zanim zaczniesz

  1. W pliku build.gradle na poziomie projektu umieść repozytorium Maven Google i w sekcjach buildscript i allprojects.
  2. Dodaj zależności do bibliotek ML Kit na Androida do pliku Gradle na poziomie aplikacji, który zwykle wynosi app/build.gradle:
    dependencies {
      // ...
    
      implementation 'com.google.android.gms:play-services-mlkit-text-recognition:18.0.2'
    }
    
  3. Opcjonalne, ale zalecane: możesz skonfigurować aplikację tak, aby automatycznie pobierała model ML po jej zainstalowaniu ze Sklepu Play. Aby to zrobić, dodaj tę deklarację do pliku AndroidManifest.xml aplikacji:

    <application ...>
      ...
      <meta-data
          android:name="com.google.mlkit.vision.DEPENDENCIES"
          android:value="ocr" />
      <!-- To use multiple models: android:value="ocr,model2,model3" -->
    </application>
    
    Jeśli nie włączysz pobierania modeli podczas instalacji, model zostanie pobrany przy pierwszym uruchomieniu wzorca do wykrywania treści na urządzeniu. Żądania przesłane przed zakończeniem pobierania nie przyniosą żadnych wyników.

1. Tworzenie instancji TextRecognizer

Tworzenie instancji TextRecognizer:

Kotlin

val recognizer = TextRecognition.getClient(TextRecognizerOptions.DEFAULT_OPTIONS)

Java

TextRecognizer recognizer = TextRecognition.getClient(TextRecognizerOptions.DEFAULT_OPTIONS);

2. Przygotowanie obrazu wejściowego

Aby rozpoznawać tekst na obrazie, utwórz obiekt InputImage z tablicy Bitmap, media.Image, ByteBuffer, tablicy bajtów lub pliku na urządzeniu. Następnie przekaż obiekt InputImage do metody TextRecognizer's processImage.

Obiekt InputImage możesz utworzyć z różnych źródeł, a każde z nich opisano poniżej.

Używanie modułu media.Image

Aby utworzyć obiekt InputImage z obiektu media.Image, na przykład podczas robienia obrazu z aparatu urządzenia, przekaż obiekt media.Image, a obraz zostanie obrócony do InputImage.fromMediaImage().

Jeśli używasz biblioteki KameraX, klasy OnImageCapturedListener i ImageAnalysis.Analyzer obliczają wartość rotacji.

Kotlin

private class YourImageAnalyzer : ImageAnalysis.Analyzer {

    override fun analyze(imageProxy: ImageProxy) {
        val mediaImage = imageProxy.image
        if (mediaImage != null) {
            val image = InputImage.fromMediaImage(mediaImage, imageProxy.imageInfo.rotationDegrees)
            // Pass image to an ML Kit Vision API
            // ...
        }
    }
}

Java

private class YourAnalyzer implements ImageAnalysis.Analyzer {

    @Override
    public void analyze(ImageProxy imageProxy) {
        Image mediaImage = imageProxy.getImage();
        if (mediaImage != null) {
          InputImage image =
                InputImage.fromMediaImage(mediaImage, imageProxy.getImageInfo().getRotationDegrees());
          // Pass image to an ML Kit Vision API
          // ...
        }
    }
}

Jeśli nie używasz biblioteki zdjęć, która zapewnia kąt obrotu obrazu, możesz go obliczyć na podstawie stopni obrotu urządzenia i orientacji czujnika aparatu w tym urządzeniu:

Kotlin

private val ORIENTATIONS = SparseIntArray()

init {
    ORIENTATIONS.append(Surface.ROTATION_0, 0)
    ORIENTATIONS.append(Surface.ROTATION_90, 90)
    ORIENTATIONS.append(Surface.ROTATION_180, 180)
    ORIENTATIONS.append(Surface.ROTATION_270, 270)
}

/**
 * Get the angle by which an image must be rotated given the device's current
 * orientation.
 */
@RequiresApi(api = Build.VERSION_CODES.LOLLIPOP)
@Throws(CameraAccessException::class)
private fun getRotationCompensation(cameraId: String, activity: Activity, isFrontFacing: Boolean): Int {
    // Get the device's current rotation relative to its "native" orientation.
    // Then, from the ORIENTATIONS table, look up the angle the image must be
    // rotated to compensate for the device's rotation.
    val deviceRotation = activity.windowManager.defaultDisplay.rotation
    var rotationCompensation = ORIENTATIONS.get(deviceRotation)

    // Get the device's sensor orientation.
    val cameraManager = activity.getSystemService(CAMERA_SERVICE) as CameraManager
    val sensorOrientation = cameraManager
            .getCameraCharacteristics(cameraId)
            .get(CameraCharacteristics.SENSOR_ORIENTATION)!!

    if (isFrontFacing) {
        rotationCompensation = (sensorOrientation + rotationCompensation) % 360
    } else { // back-facing
        rotationCompensation = (sensorOrientation - rotationCompensation + 360) % 360
    }
    return rotationCompensation
}

Java

private static final SparseIntArray ORIENTATIONS = new SparseIntArray();
static {
    ORIENTATIONS.append(Surface.ROTATION_0, 0);
    ORIENTATIONS.append(Surface.ROTATION_90, 90);
    ORIENTATIONS.append(Surface.ROTATION_180, 180);
    ORIENTATIONS.append(Surface.ROTATION_270, 270);
}

/**
 * Get the angle by which an image must be rotated given the device's current
 * orientation.
 */
@RequiresApi(api = Build.VERSION_CODES.LOLLIPOP)
private int getRotationCompensation(String cameraId, Activity activity, boolean isFrontFacing)
        throws CameraAccessException {
    // Get the device's current rotation relative to its "native" orientation.
    // Then, from the ORIENTATIONS table, look up the angle the image must be
    // rotated to compensate for the device's rotation.
    int deviceRotation = activity.getWindowManager().getDefaultDisplay().getRotation();
    int rotationCompensation = ORIENTATIONS.get(deviceRotation);

    // Get the device's sensor orientation.
    CameraManager cameraManager = (CameraManager) activity.getSystemService(CAMERA_SERVICE);
    int sensorOrientation = cameraManager
            .getCameraCharacteristics(cameraId)
            .get(CameraCharacteristics.SENSOR_ORIENTATION);

    if (isFrontFacing) {
        rotationCompensation = (sensorOrientation + rotationCompensation) % 360;
    } else { // back-facing
        rotationCompensation = (sensorOrientation - rotationCompensation + 360) % 360;
    }
    return rotationCompensation;
}

Następnie prześlij obiekt media.Image i wartość stopni obrotu do InputImage.fromMediaImage():

Kotlin

val image = InputImage.fromMediaImage(mediaImage, rotation)

Java

InputImage image = InputImage.fromMediaImage(mediaImage, rotation);

Używanie identyfikatora URI pliku

Aby utworzyć obiekt InputImage z identyfikatora URI pliku, przekaż kontekst aplikacji i identyfikator pliku do InputImage.fromFilePath(). Ta opcja jest przydatna, gdy używasz intencji ACTION_GET_CONTENT zachęcającej użytkownika do wybrania zdjęcia z galerii.

Kotlin

val image: InputImage
try {
    image = InputImage.fromFilePath(context, uri)
} catch (e: IOException) {
    e.printStackTrace()
}

Java

InputImage image;
try {
    image = InputImage.fromFilePath(context, uri);
} catch (IOException e) {
    e.printStackTrace();
}

Korzystanie z narzędzia ByteBuffer lub ByteArray

Aby utworzyć obiekt InputImage z ByteBuffer lub ByteArray, najpierw oblicz stopień obrotu obrazu, jak opisano wcześniej w przypadku danych wejściowych media.Image. Następnie utwórz obiekt InputImage z buforem lub tablicą wraz z wysokością, szerokością, formatem kodowania kolorów i stopniem obrotu:

Kotlin

val image = InputImage.fromByteBuffer(
        byteBuffer,
        /* image width */ 480,
        /* image height */ 360,
        rotationDegrees,
        InputImage.IMAGE_FORMAT_NV21 // or IMAGE_FORMAT_YV12
)
// Or:
val image = InputImage.fromByteArray(
        byteArray,
        /* image width */ 480,
        /* image height */ 360,
        rotationDegrees,
        InputImage.IMAGE_FORMAT_NV21 // or IMAGE_FORMAT_YV12
)

Java

InputImage image = InputImage.fromByteBuffer(byteBuffer,
        /* image width */ 480,
        /* image height */ 360,
        rotationDegrees,
        InputImage.IMAGE_FORMAT_NV21 // or IMAGE_FORMAT_YV12
);
// Or:
InputImage image = InputImage.fromByteArray(
        byteArray,
        /* image width */480,
        /* image height */360,
        rotation,
        InputImage.IMAGE_FORMAT_NV21 // or IMAGE_FORMAT_YV12
);

Używanie modułu Bitmap

Aby utworzyć obiekt InputImage z obiektu Bitmap, złóż tę deklarację:

Kotlin

val image = InputImage.fromBitmap(bitmap, 0)

Java

InputImage image = InputImage.fromBitmap(bitmap, rotationDegree);

Obraz jest reprezentowany przez obiekt Bitmap wraz z stopniami obrotu.

3. Przetwórz obraz

Przekaż obraz do metody process:

Kotlin

val result = recognizer.process(image)
        .addOnSuccessListener { visionText ->
            // Task completed successfully
            // ...
        }
        .addOnFailureListener { e ->
            // Task failed with an exception
            // ...
        }

Java

Task<Text> result =
        recognizer.process(image)
                .addOnSuccessListener(new OnSuccessListener<Text>() {
                    @Override
                    public void onSuccess(Text visionText) {
                        // Task completed successfully
                        // ...
                    }
                })
                .addOnFailureListener(
                        new OnFailureListener() {
                            @Override
                            public void onFailure(@NonNull Exception e) {
                                // Task failed with an exception
                                // ...
                            }
                        });

4. Wyodrębnianie tekstu z bloków rozpoznanego tekstu

Jeśli operacja rozpoznania tekstu się powiedzie, obiekt Text zostanie przekazany do detektora. Obiekt Text zawiera pełny tekst rozpoznany na obrazie oraz zero lub więcej obiektów TextBlock.

Każdy element TextBlock reprezentuje prostokątny blok tekstu, który zawiera zero lub więcej obiektów Line. Każdy obiekt Line reprezentuje wiersz tekstu, który zawiera co najmniej 0 obiektów Element. Każdy obiekt Element reprezentuje słowo lub podmiot przypominający słowo, który zawiera co najmniej zero obiektów Symbol. Każdy obiekt Symbol reprezentuje znak, cyfrę lub podmiot przypominający słowo.

W przypadku każdego obiektu TextBlock, Line, Element i Symbol możesz rozpoznać tekst w regionie, współrzędne graniczne regionu oraz wiele innych atrybutów, takich jak informacje o obrótach czy wskaźnik ufności.

Przykład:

Kotlin

val resultText = result.text
for (block in result.textBlocks) {
    val blockText = block.text
    val blockCornerPoints = block.cornerPoints
    val blockFrame = block.boundingBox
    for (line in block.lines) {
        val lineText = line.text
        val lineCornerPoints = line.cornerPoints
        val lineFrame = line.boundingBox
        for (element in line.elements) {
            val elementText = element.text
            val elementCornerPoints = element.cornerPoints
            val elementFrame = element.boundingBox
        }
    }
}

Java

String resultText = result.getText();
for (Text.TextBlock block : result.getTextBlocks()) {
    String blockText = block.getText();
    Point[] blockCornerPoints = block.getCornerPoints();
    Rect blockFrame = block.getBoundingBox();
    for (Text.Line line : block.getLines()) {
        String lineText = line.getText();
        Point[] lineCornerPoints = line.getCornerPoints();
        Rect lineFrame = line.getBoundingBox();
        for (Text.Element element : line.getElements()) {
            String elementText = element.getText();
            Point[] elementCornerPoints = element.getCornerPoints();
            Rect elementFrame = element.getBoundingBox();
            for (Text.Symbol symbol : element.getSymbols()) {
                String symbolText = symbol.getText();
                Point[] symbolCornerPoints = symbol.getCornerPoints();
                Rect symbolFrame = symbol.getBoundingBox();
            }
        }
    }
}

Wytyczne dotyczące obrazu wejściowego

  • Aby system ML Kit mógł prawidłowo rozpoznawać tekst, obrazy wejściowe muszą zawierać tekst reprezentowany przez wystarczającą ilość danych pikseli. Najlepiej, gdyby każdy znak miał co najmniej 16 x 16 pikseli. Zwiększenie rozmiaru znaków do 24 x 24 pikseli nie przynosi żadnych korzyści.

    Na przykład obraz o wymiarach 640 × 480 może sprawdzić się w skanowaniu na stronie o pełnej szerokości. Aby zeskanować dokument na papierze o rozmiarze papieru, może być wymagany obraz o rozdzielczości 720 x 1280 pikseli.

  • Niska ostrość obrazu może mieć wpływ na dokładność rozpoznawania tekstu. Jeśli nie uzyskasz oczekiwanych wyników, spróbuj poprosić użytkownika o ponowne wykonanie zdjęcia.

  • Jeśli rozpoznajesz tekst w aplikacji działającej w czasie rzeczywistym, weź pod uwagę ogólne wymiary obrazów wejściowych. Mniejsze obrazy można przetwarzać szybciej. Aby skrócić czas oczekiwania, upewnij się, że tekst zajmuje jak najwięcej miejsca i zapisuje obrazy w niższych rozdzielczościach (z uwzględnieniem wymienionych powyżej wymagań dotyczących dokładności). Więcej informacji znajdziesz we wskazówkach, jak zwiększyć skuteczność.

Wskazówki, jak zwiększyć skuteczność

  • Jeśli używasz interfejsu Camera lub camera2 API, ograniczaj wywołania wzorca do wykrywania treści. Jeśli podczas działania wzorca do wykrywania treści dostępna jest nowa ramka wideo, upuść ją. Przykład znajdziesz w klasie VisionProcessorBase w przykładowej aplikacji.
  • Jeśli korzystasz z interfejsu API CameraX, upewnij się, że strategia ciśnienia wstecznego jest ustawiona na wartość domyślną ImageAnalysis.STRATEGY_KEEP_ONLY_LATEST. Zapewnia to tylko jeden obraz naraz. Jeśli w analizatorze będzie dużo więcej obrazów, to będą one automatycznie usuwane i nie będą umieszczane w kolejce. Po zamknięciu analizujemy obraz, wywołując polecenie ImageProxy.close(). Następny obraz jest wyświetlany.
  • Jeśli używasz danych wyjściowych wzorca do nakładania grafiki na obraz wejściowy, najpierw uzyskaj wynik z ML Kit, a następnie wyrenderuj obraz i nakładkę w jednym kroku. W przypadku każdej klatki wejściowej jest ona renderowana tylko raz na ekranie. Przykład znajdziesz w klasach CameraSourcePreview i GraphicOverlay w przykładowej aplikacji.
  • Jeśli używasz interfejsu Camera2 API, zrób zdjęcia w formacie ImageFormat.YUV_420_888. Jeśli używasz starszego interfejsu API aparatu, zrób zdjęcia w formacie ImageFormat.NV21.
  • Rozważ robienie zdjęć w niższej rozdzielczości. Pamiętaj jednak o tych wymaganiach dotyczących rozmiaru obrazu w interfejsie API.