Kognitivní dovednost OCR

Dovednost optického rozpoznávání znaků (OCR) rozpozná tištěný a ručně psaný text v souborech obrázků. Tento článek je referenční dokumentace pro dovednosti OCR. Pokyny k použití najdete v tématu Extrakce textu z obrázků .

Dovednost OCR využívá modely strojového učení poskytované rozhraním API služby Azure AI Vision v3.2ve službách Azure AI. Dovednost OCR se mapuje na následující funkce:

• Pro jazyky uvedené v rámci podpory jazyka Azure AI Vision se používá rozhraní API pro čtení.

• Pro řečtinu a srbštinu cyrilice se používá starší verze OCR v rozhraní API verze 3.2 .

Dovednost OCR extrahuje text ze souborů obrázků. Mezi podporované formáty souborů patří:

• . JPEG
• .JPG
• .PNG
• .BMP
• . TIFF

Parametry dovedností

Parametry rozlišují malá a velká písmena.

V předchozích verzích byl k dispozici parametr s názvem "textExtractionAlgorithm", který určuje extrakci "vytištěného" nebo "rukou psaného" textu. Tento parametr je zastaralý, protože aktuální algoritmus rozhraní API pro čtení extrahuje oba typy textu najednou. Pokud vaše dovednost obsahuje tento parametr, nemusíte ho odebírat, ale nebude se používat při provádění dovedností.

Vstupy dovedností

Výstupy dovedností

Pokud voláte funkci OCR u obrázků vložených do souborů PDF nebo jiných souborů aplikace, bude výstup OCR umístěn v dolní části stránky po extrahování a zpracování textu.

Ukázková definice

{
  "skills": [
    {
      "description": "Extracts text (plain and structured) from image.",
      "@odata.type": "#Microsoft.Skills.Vision.OcrSkill",
      "context": "/document/normalized_images/*",
      "defaultLanguageCode": null,
      "detectOrientation": true,
      "inputs": [
        {
          "name": "image",
          "source": "/document/normalized_images/*"
        }
      ],
      "outputs": [
        {
          "name": "text",
          "targetName": "myText"
        },
        {
          "name": "layoutText",
          "targetName": "myLayoutText"
        }
      ]
    }
  ]
}

Ukázkový text a výstup layoutText

{
  "text": "Hello World. -John",
  "layoutText":
  {
    "language" : "en",
    "text" : "Hello World. -John",
    "lines" : [
      {
        "boundingBox":
        [ {"x":10, "y":10}, {"x":50, "y":10}, {"x":50, "y":30},{"x":10, "y":30}],
        "text":"Hello World."
      },
      {
        "boundingBox": [ {"x":110, "y":10}, {"x":150, "y":10}, {"x":150, "y":30},{"x":110, "y":30}],
        "text":"-John"
      }
    ],
    "words": [
      {
        "boundingBox": [ {"x":110, "y":10}, {"x":150, "y":10}, {"x":150, "y":30},{"x":110, "y":30}],
        "text":"Hello"
      },
      {
        "boundingBox": [ {"x":110, "y":10}, {"x":150, "y":10}, {"x":150, "y":30},{"x":110, "y":30}],
        "text":"World."
      },
      {
        "boundingBox": [ {"x":110, "y":10}, {"x":150, "y":10}, {"x":150, "y":30},{"x":110, "y":30}],
        "text":"-John"
      }
    ]
  }
}

Ukázka: Sloučení textu extrahovaného z vložených obrázků s obsahem dokumentu

Prolomení dokumentu, první krok při provádění sady dovedností, odděluje text a obsah obrázku. Běžným případem použití pro fúzi textu je sloučení textové reprezentace obrázků (text z dovednosti OCR nebo popis obrázku) do pole obsahu dokumentu. Jedná se o scénáře, ve kterých je zdrojový dokument PDF nebo wordový dokument, který kombinuje text s vloženými obrázky.

Následující příklad sady dovedností vytvoří pole merged_text . Toto pole obsahuje textový obsah dokumentu a text OCRed z každého z obrázků vložených do tohoto dokumentu.

Syntaxe textu požadavku

{
  "description": "Extract text from images and merge with content text to produce merged_text",
  "skills":
  [
    {
      "description": "Extract text (plain and structured) from image.",
      "@odata.type": "#Microsoft.Skills.Vision.OcrSkill",
      "context": "/document/normalized_images/*",
      "defaultLanguageCode": "en",
      "detectOrientation": true,
      "inputs": [
        {
          "name": "image",
          "source": "/document/normalized_images/*"
        }
      ],
      "outputs": [
        {
          "name": "text"
        }
      ]
    },
    {
      "@odata.type": "#Microsoft.Skills.Text.MergeSkill",
      "description": "Create merged_text, which includes all the textual representation of each image inserted at the right location in the content field.",
      "context": "/document",
      "insertPreTag": " ",
      "insertPostTag": " ",
      "inputs": [
        {
          "name":"text",
          "source": "/document/content"
        },
        {
          "name": "itemsToInsert", 
          "source": "/document/normalized_images/*/text"
        },
        {
          "name":"offsets", 
          "source": "/document/normalized_images/*/contentOffset"
        }
      ],
      "outputs": [
        {
          "name": "mergedText", 
          "targetName" : "merged_text"
        }
      ]
    }
  ]
}

Výše uvedený příklad sady dovedností předpokládá, že existuje pole normalized-images. Pokud chcete toto pole vygenerovat, nastavte konfiguraci imageAction v definici indexeru tak, aby generovalaNormalizedImages , jak je znázorněno níže:

{
  //...rest of your indexer definition goes here ...
  "parameters": {
    "configuration": {
      "dataToExtract":"contentAndMetadata",
      "imageAction":"generateNormalizedImages"
    }
  }
}

Viz také

• Co je optické rozpoznávání znaků
• Předdefinované dovednosti
• Dovednost TextMerger
• Definování sady dovedností
• Extrakce textu a informací z obrázků
• Vytvoření indexeru (REST)