OCR安卓应用：如何获取字符/单词的坐标

嘿，我之前在做Tesseract+OpenCV的安卓OCR项目时，刚好碰到过和你一样的问题——拿到了行文本块的坐标，但需要更细粒度的单词/字符定位，还得映射回原图。给你几个亲测有效的方案：

1. 用Tesseract原生API提取单词/字符级Bounding Box #

Tesseract本身就支持输出每个单词、甚至单个字符的位置信息，不用额外去解析HOCR（当然HOCR也是可选方案）。在安卓的TessBaseAPI里，你可以通过结果迭代器来获取：

• 调用getIterator()拿到结果迭代器，然后指定遍历级别（单词用RIL_WORD，字符用RIL_SYMBOL）
• 对每个迭代项，用BoundingBox()方法获取对应的边界框，这个坐标是基于你预处理后的图像的。

给你一段简化的代码示例：

TessBaseAPI tessApi = new TessBaseAPI();
// 初始化：设置语言路径、加载语言包等
tessApi.init(dataPath, "eng");

// 传入预处理后的图像
tessApi.setPageSegMode(TessBaseAPI.PageSegMode.PSM_AUTO);
tessApi.setImage(preprocessedBitmap);

// 获取结果迭代器
ResultIterator iterator = tessApi.getIterator();
iterator.begin();

// 遍历所有单词
do {
    // 获取当前单词的边界框（相对于预处理后的图像）
    Rect wordRect = iterator.getBoundingBox(TessBaseAPI.RIL_WORD);
    String wordText = iterator.getUTF8Text(TessBaseAPI.RIL_WORD);
    
    // 如果你需要字符级坐标，把RIL_WORD换成RIL_SYMBOL即可
    // Rect charRect = iterator.getBoundingBox(TessBaseAPI.RIL_SYMBOL);
    
    // 这里先暂存坐标，后续要映射回原图
} while (iterator.next(TessBaseAPI.RIL_WORD));

tessApi.end();

2. 将预处理后的坐标映射回原图 #

你现在的坐标是针对预处理后的图像，要转成原图坐标，核心是记录预处理过程中的几何变换参数，然后做逆变换：

• 缩放场景：记录原图和预处理后图像的宽高比例，比如原图宽originalW，预处理后宽processedW，缩放比例scale = processedW / originalW，那么原图坐标 = 预处理坐标 / scale（宽高方向分别计算）
• 裁剪场景：记录裁剪区域在原图的左上角坐标(cropX, cropY)，原图坐标 = 预处理坐标 + (cropX, cropY)（记得结合缩放比例）
• 透视校正场景（比如文档扫描的畸变校正）：保存透视变换的逆矩阵，用OpenCV的perspectiveTransform把预处理后的点转回原图。

举个透视逆变换的代码片段：

// 假设你之前计算了把原图转成预处理图像的透视矩阵M
Mat inverseTransform = new Mat();
Core.invert(M, inverseTransform); // 生成逆变换矩阵

// 把单词矩形的四个角点转成原图坐标
Point[] processedPoints = {
    new Point(wordRect.left, wordRect.top),
    new Point(wordRect.right, wordRect.top),
    new Point(wordRect.right, wordRect.bottom),
    new Point(wordRect.left, wordRect.bottom)
};

MatOfPoint2f srcMat = new MatOfPoint2f(processedPoints);
MatOfPoint2f dstMat = new MatOfPoint2f();
Core.perspectiveTransform(srcMat, dstMat, inverseTransform);

// dstMat里的点就是原图中该单词的四个角点，直接用这些点画矩形就行

3. 调试与验证小技巧 #

• 先在预处理后的图像上画出单词/字符矩形，确认坐标没问题，再做映射
• 如果映射后坐标偏移，先检查变换参数：比如透视矩阵是否正确，缩放比例有没有搞反
• 可以用OpenCV的imwrite保存预处理后的图像，和原图对比，手动算几个点的变换结果，验证逻辑是否正确

另外提一句，Tesseract的PageSegMode（PSM）设置很重要，比如PSM_AUTO适合通用场景，如果是单行文本可以用PSM_SINGLE_LINE，能提升坐标检测的准确性。

内容的提问来源于stack exchange，提问作者Yahooo C9Wuxii