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)。 注意：您只能處理儲存在 Distributed Cloud 環境中的圖片。
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。 語言提示的運作方式為何？ language_hints 格式 遵循下列 BCP 47 語言代碼格式設定規範： language ["-" script] ["-" region] *("-" variant) *("-" extension) ["-" privateuse]。 舉例來說，語言提示「en-t-i0-handwrit」指定了英文 (en)、轉換擴充功能單例 (t)、輸入法引擎轉換擴充功能代碼 (i0) 和手寫轉換代碼 (handwrit)。這大致上表示語言是「從手寫轉換的英文」。您不需要指定指令碼代碼，因為「en」語言代表 Latn。 如需支援的語言清單，請參閱「 支援的語言」一文。

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。

注意： BatchAnnotateImages API 方法在每個批次呼叫中僅支援單一要求。

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：

   • TOKEN：您取得的驗證權杖。
   • PROJECT_ID：您的專案 ID。
   • ENDPOINT：貴機構使用的 OCR 端點。詳情請參閱服務狀態和端點。

   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：

   • TOKEN：您取得的驗證權杖。
   • ENDPOINT：貴機構使用的 OCR 端點。詳情請參閱服務狀態和端點。

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。