偵測圖片中的文字

Google Distributed Cloud (GDC) 實體隔離方案中的 Vertex AI 光學字元辨識 (OCR) 服務，可偵測並擷取 JPEG 和 PNG 圖片中的文字。您可以傳送內嵌要求至 BatchAnnotateImages API 方法，處理圖片並擷取結構化文字註解。

事前準備

如要偵測圖片中的文字，請向 IAM 專案管理員要求專案命名空間中的 AI OCR 開發人員 (ai-ocr-developer) 角色。

如要進一步瞭解這個角色，請參閱「準備 IAM 權限」。

如要開始使用 OCR API，必須先準備一個已啟用 OCR API 的專案，並取得適當的憑證。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 方法會偵測一批 JPEG 或 PNG 檔案中的文字。您直接將要偵測文字的檔案，當做 API 要求的內容傳送。系統會以 JSON 格式在 API 回應中傳回偵測到的文字。

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 方法提出文字偵測要求時，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 環境本機的圖片。
type	您需要從圖片中偵測的文字類型。 指定下列其中一項註解功能： TEXT_DETECTION可偵測及擷取任何圖片中的文字。JSON 回應包含擷取的字串、個別字詞和定界框。 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 包含頁面、區塊、段落、字詞和分行資訊。 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。用於文字偵測的語言清單。 如果這個欄位留空，系統會解讀為自動偵測語言。 如果是以拉丁字母為基礎的語言，則不需要設定 language_hints 欄位。 如果您知道圖片中的文字語言，設定提示可改善結果。 語言提示的運作方式為何？ language_hints 格式採用下列 BCP 47 語言代碼格式規範： language ["-" script] ["-" region] *("-" variant) *("-" extension) ["-" privateuse]. 舉例來說，語言提示「en-t-i0-handwrit」指定了英文 (en)、轉換擴充功能單例模式 (t)、輸入法引擎轉換擴充功能代碼 (i0) 和手寫轉換代碼 (handwrit)。這大致表示語言是「從手寫轉換而來的英文」。您不需要指定文字代碼，因為「en」語言隱含 Latn。 如需支援語言清單，請參閱「 支援的語言」。

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

注意： BatchAnnotateImages API 方法每次批次呼叫僅支援單一要求。

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. 將下列 request.json 檔案儲存為要求主體：

   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)。這個字串的開頭字元類似 /9j/4QAYRXhpZgAA...9tAVx/zDQDlGxn//2Q==。
   • 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：BCP 47 語言標記，用於文字偵測的語言提示，例如 en-t-i0-handwrit。這個欄位為選填，如果留空，系統會自動偵測語言。

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：貴組織使用的 OCR 端點。詳情請參閱「查看服務狀態和端點」。

   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：貴組織使用的 OCR 端點。詳情請參閱「查看服務狀態和端點」。

Python

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

1. 安裝最新版的 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，加入下列程式碼：

   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)
     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：貴組織使用的 OCR 端點。詳情請參閱「查看服務狀態和端點」。
   • BASE64_ENCODED_IMAGE：二進位圖片資料的 Base64 表示法 (ASCII 字串)。這個字串的開頭字元類似 /9j/4QAYRXhpZgAA...9tAVx/zDQDlGxn//2Q==。
   • 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 指令碼指定的名稱，例如 vision.py。