pytesseract中image_to_boxes()解析

最近了解了一下pytesseract的文字识别，学习中遇到一个方法不是很清楚，网上也没有专门解释该方法的帖子，做个记录

素材

使用的时候可以去除一下水印

代码

import cv2 as cv
import pytesseract

pytesseract.pytesseract.tesseract_cmd = r'D:\Python\Tesseract-OCR\tesseract.exe'
img = cv.imread('4.png')

img = cv.cvtColor(img, cv.COLOR_BGR2RGB)

hImg, wImg, _ = img.shape

boxes = pytesseract.image_to_boxes(img)
for b in boxes.splitlines():
   b = b.split(' ')
   print(b)
   x, y, w, h = int(b[1]), int(b[2]), int(b[3]), int(b[4])
   cv.rectangle(img, (x, hImg-y), (w, hImg-h), (0, 0, 255), 2)

cv.imshow("img", img)
cv.waitKey(0)

结果

结果大致如下所示


以 ‘M’ 的结果为例
这里看起来非常的奇怪，这4个值可以认为是两个坐标（145, 449）（274, 567）；但是坐标系要以左下角为原点，跟我们数学里的坐标系原点一样，然而OpenCV里hImg, wImg, _ = img.shape 和cv.rectangle()的宽度和高度，坐标系又是以左上角为原点；很令人费解

结论：

image_to_boxes：图像转为盒子；结果如下

M，145，449，274，567，0
从左到右依次为：字符；左下角的横坐标；左下角的纵坐标；右上角的横坐标；右上角的纵坐标；

注：image_to_boxes 这里的横纵坐标系，原点是左下角，而opencv的原点指的是左上角