偵測圖片中的文字

Google Distributed Cloud (GDC) Air-gapped 上的 Vertex AI 光學字元辨識 (OCR) 服務會使用 BatchAnnotateImages API 方法偵測圖片中的文字。這項服務支援 JPEG 和 PNG 格式的圖片檔案。

本頁面說明如何使用 Distributed Cloud 上的 OCR API 偵測圖片文字。

事前準備

您必須先準備一個專案，並啟用 OCR API 和適當的憑證，才能開始使用 OCR API。您也可以安裝用戶端程式庫，協助您呼叫 API。詳情請參閱「設定字元辨識專案」。

偵測 JPEG 和 PNG 檔案中的文字

BatchAnnotateImages 方法會從一批 JPEG 或 PNG 檔案中偵測文字。 您直接在 API 要求中傳送要偵測文字的檔案做為內容。系統會在 API 回應中，以 JSON 格式傳回偵測到的文字。

您必須在 API 要求的 JSON 主體中指定欄位值。下表說明使用 BatchAnnotateImages API 方法發出文字偵測要求時，必須提供的要求主體欄位：

要求主體欄位 欄位說明
content 要偵測文字的圖片。您提供二進位圖片資料的 Base64 表示法 (ASCII 字串)。
type 您需要從圖片偵測的文字類型。

指定其中一個註解功能：
  • TEXT_DETECTION 可偵測並擷取任何圖片中的文字。JSON 回應包含擷取的字串、個別字詞及其周框。
  • DOCUMENT_TEXT_DETECTION 也會從圖片中擷取文字，但這項服務會針對密集文字和文件最佳化回應。JSON 檔案包含頁面、區塊、段落、字詞和換行資訊。
如要進一步瞭解這些註解功能，請參閱「光學字元辨識功能」。
language_hints (選用步驟) 用於文字偵測的語言清單。

如果這個欄位的值為空白，系統會解讀為自動偵測語言。

如果語言採用拉丁字母，則不需要設定 language_hints 欄位。

如果知道圖片中文字的語言，設定提示可提升結果品質。

如要瞭解完整的 JSON 表示法，請參閱 AnnotateImageRequest。

提出 API 要求

使用 REST API 方法向 OCR 預先訓練的 API 提出要求。否則，請透過 Python 指令碼與 OCR 預先訓練的 API 互動，偵測 JPEG 或 PNG 檔案中的文字。

下列範例說明如何使用 OCR 偵測圖片中的文字：

REST

請按照下列步驟，使用 REST API 方法偵測圖片中的文字：

  1. 請儲存下列 request.json 檔案做為要求主體：

    cat <<- EOF > request.json
{
  "requests": [
    {
      "image": {
        "content": BASE64_ENCODED_IMAGE
      },
      "features": [
        {
          "type": "FEATURE_TYPE"
        }
      ],
      "image_context": {
        "language_hints": [
          "LANGUAGE_HINT_1",
          "LANGUAGE_HINT_2",
          ...
        ]
      }
    }
  ]
}
EOF

    更改下列內容：

    • BASE64_ENCODED_IMAGE：二進位圖片資料的 Base64 表示法 (ASCII 字串)。這個字串開頭的字元與 /9j/4QAYRXhpZgAA...9tAVx/zDQDlGxn//2Q== 類似。
    • FEATURE_TYPE：您需要從圖片中偵測的文字類型。允許的值為 TEXT_DETECTION 或 DOCUMENT_TEXT_DETECTION。
    • LANGUAGE_HINT：用來做為文字偵測語言提示的 BCP 47 語言代碼，例如 en-t-i0-handwrit。這個欄位為選填，系統會將空白值解讀為自動偵測語言。

  2. 取得驗證權杖。

  3. 提出要求：

    curl

    curl -X POST \
  -H "Authorization: Bearer TOKEN" \
  -H "x-goog-user-project: projects/PROJECT_ID" \
  -H "Content-Type: application/json; charset=utf-8" \
  -d @request.json \
  https://ENDPOINT/v1/images:annotate

    更改下列內容：

    PowerShell

    $headers = @{
  "Authorization" = "Bearer TOKEN"
  "x-goog-user-project" = "projects/PROJECT_ID"
}

Invoke-WebRequest
  -Method POST
  -Headers $headers
  -ContentType: "application/json; charset=utf-8"
  -InFile request.json
  -Uri "ENDPOINT/v1/images:annotate" | Select-Object -Expand Content

    更改下列內容：

Python

請按照下列步驟操作，透過 Python 指令碼使用 OCR 服務偵測圖片中的文字：

  1. 安裝最新版 OCR 用戶端程式庫。

  2. 在 Python 指令碼中設定必要的環境變數。

  3. 驗證 API 要求。

  4. 在您建立的 Python 指令碼中新增下列程式碼：

    from google.cloud import vision
import google.auth
from google.auth.transport import requests
from google.api_core.client_options import ClientOptions

audience = "https://ENDPOINT:443"
api_endpoint="ENDPOINT:443"

def vision_client(creds):
  opts = ClientOptions(api_endpoint=api_endpoint)
  return vision.ImageAnnotatorClient(credentials=creds, client_options=opts)

def main():
  creds = None
  try:
    creds, project_id = google.auth.default()
    creds = creds.with_gdch_audience(audience)
    req = requests.Request()
    creds.refresh(req)
    print("Got token: ")
    print(creds.token)
  except Exception as e:
    print("Caught exception" + str(e))
    raise e
  return creds

def vision_func(creds):
  vc = vision_client(creds)
  image = {"content": "BASE64_ENCODED_IMAGE"}
  features = [{"type_": vision.Feature.Type.FEATURE_TYPE}]
  # Each requests element corresponds to a single image. To annotate more
  # images, create a request element for each image and add it to
  # the array of requests
  req = {"image": image, "features": features}

  metadata = [("x-goog-user-project", "projects/PROJECT_ID")]

  resp = vc.annotate_image(req,metadata=metadata)

  print(resp)

if __name__=="__main__":
  creds = main()
  vision_func(creds)

    更改下列內容：

    • ENDPOINT：貴機構使用的 OCR 端點。詳情請參閱服務狀態和端點。
    • BASE64_ENCODED_IMAGE：二進位圖片資料的 Base64 表示法 (ASCII 字串)。這個字串開頭的字元與 /9j/4QAYRXhpZgAA...9tAVx/zDQDlGxn//2Q== 類似。
    • FEATURE_TYPE：您需要從圖片中偵測的文字類型。允許的值為 TEXT_DETECTION 或 DOCUMENT_TEXT_DETECTION。
    • PROJECT_ID：您的專案 ID。

  5. 儲存 Python 指令碼。

  6. 執行 Python 指令碼，偵測圖片中的文字：

    python SCRIPT_NAME

    將 SCRIPT_NAME 替換為您為 Python 指令碼提供的名稱，例如 vision.py。