VNRecognizeTextRequest的minimumTextHeight参数无效果问题咨询

我用VNRecognizeTextRequest处理来自DocumentCameraViewController的图片文本识别，传入minimumTextHeight参数后，不管设0.9还是0.1，识别到的文本（包含大小字号）数量完全一致。我只想识别标题这类大字号文本，请问这个参数为啥不起作用？

我的代码如下：

fileprivate func recognizeText(from images: [CGImage], minimumTextHeight:Float) -> String {
    var entireRecognizedText = ""
    let recognizeTextRequest = VNRecognizeTextRequest { (request, error) in
        guard error == nil else { return }
        
        guard let observations = request.results as? [VNRecognizedTextObservation] else { return }
        
        let maximumRecognitionCandidates = 1
        for observation in observations {
            guard let candidate = observation.topCandidates(maximumRecognitionCandidates).first else { continue }
            entireRecognizedText += "\(candidate.string)\n"
            // show location of text in frame
            let stringRange = candidate.string.startIndex..<candidate.string.endIndex
            let boxObservation = try? candidate.boundingBox(for: stringRange)
            let boundingBox = boxObservation?.boundingBox ?? .zero
            print(candidate.string, boundingBox.origin.x, boundingBox.origin.y)
        }
    }
    recognizeTextRequest.revision = VNRecognizeTextRequestRevision3
    recognizeTextRequest.recognitionLevel = .accurate
    recognizeTextRequest.minimumTextHeight = minimumTextHeight
    recognizeTextRequest.recognitionLanguages = ["en-US", "en-GB", "de-DE"]
    
    for image in images {
        let requestHandler = VNImageRequestHandler(cgImage: image, options: [:])
        
        try? requestHandler.perform([recognizeTextRequest])
    }
    
    return entireRecognizedText
}

原因分析 #

1. 参数是相对比例而非绝对像素：minimumTextHeight的取值是文本高度相对于整个图像高度的归一化比例，不是实际像素值。比如如果你的图像分辨率是3000x2000，0.1对应的实际高度是200像素，如果小字号文本高度刚好超过200像素，就会被识别出来，导致参数看起来没效果。
2. 针对单个字符而非整行文本：在VNRecognizeTextRequestRevision3中，这个参数过滤的是单个字符的高度，不是整行文本的高度。如果小字号的单个字符高度达标，整行都会被保留。
3. 图像自动缩放干扰计算：VNImageRequestHandler默认会对图像做预处理缩放，可能改变文本的相对高度比例，导致参数判断失效。

解决方案 #

1. 正确计算归一化比例：先确定你要识别的最小文本高度（像素值），再除以图像的总高度得到比例。比如想要识别至少150像素高的文本，图像高度是2000，就设置minimumTextHeight = 150/2000 = 0.075。
2. 手动过滤观测结果：如果参数自带的过滤逻辑不满足需求，在遍历VNRecognizedTextObservation时，手动计算文本的实际像素高度并过滤：

   for observation in observations {
       guard let candidate = observation.topCandidates(maximumRecognitionCandidates).first else { continue }
       // 计算文本实际高度
       let imageHeight = CGFloat(image.height)
       let textBoundingBox = try? candidate.boundingBox(for: candidate.string.startIndex..<candidate.string.endIndex)?.boundingBox ?? .zero
       let actualTextHeight = textBoundingBox.size.height * imageHeight
       // 过滤低于阈值的文本
       if actualTextHeight < 150 { // 这里150是你需要的最小像素高度
           continue
       }
       entireRecognizedText += "\(candidate.string)\n"
       print(candidate.string, textBoundingBox.origin.x, textBoundingBox.origin.y)
   }
   

3. 关闭自动缩放：初始化VNImageRequestHandler时指定缩放因子为1.0，避免框架自动缩放影响高度计算：

   let options: [VNImageOption: Any] = [.scaleFactor: 1.0]
   let requestHandler = VNImageRequestHandler(cgImage: image, options: options)
   

4. 调整识别模式：把recognitionLevel从.accurate改成.fast，后者会更倾向于合并文本块，更容易通过高度过滤整行大字号文本。

内容的提问来源于stack exchange，提问作者CraigH