UI的纯视觉方案OCR

沉下去，苦磨练！2026-01-04 19:29

借鉴rapid-ocr的文章地址

https://gitee.com/lc_monster/rapid-ocr-javahttps://gitee.com/lc_monster/rapid-ocr-java

坐标的位置

这是一个非常关键的问题！在 RapidOcr-Java（以及大多数图像处理和计算机视觉任务）中，x1, y1, x2, y2, x3, y3, x4, y4 这些坐标是相对于原始输入图片左上角的像素坐标。

具体来说：

  1. 坐标系原点 ：原点 (0, 0) 位于输入图片的左上角。
  2. X轴方向 ：X轴向右为正方向。x 值越大，表示点在图片中越靠右。
  3. Y轴方向 ：Y轴向下为正方向。y 值越大，表示点在图片中越靠下。

举例说明

假设您有一张 800x600 像素的图片（宽800，高600），并且识别出了一个文字框，其四个角点的坐标为：

  • (x1, y1) = (100, 50)
  • (x2, y2) = (300, 50)
  • (x3, y3) = (300, 80)
  • (x4, y4) = (100, 80)

那么，这个文字框的位置是：

  • 左上角：距离图片左边缘 100 像素，距离图片上边缘 50 像素。
  • 右上角：距离图片左边缘 300 像素，距离图片上边缘 50 像素。
  • 右下角：距离图片左边缘 300 像素，距离图片上边缘 80 像素。
  • 左下角：距离图片左边缘 100 像素，距离图片上边缘 80 像素。

这个文字框是一个宽 200 像素（300-100）、高 30 像素（80-50）的矩形。

重要提示

  • 单位是像素 ：这些坐标值的单位是像素，不是毫米、厘米或其他物理单位。
  • 顺序 ：这四个点通常是按顺时针 或逆时针 顺序排列的，形成一个封闭的四边形（或矩形）。在 RapidOcr-Java 的输出中，通常是从左上角开始，按顺时针方向排列：左上 -> 右上 -> 右下 -> 左下。
  • 根据4个点的坐标计算出一个长方形的框把一个识别到的词包含进去
java 复制代码 
//从左边到右顺时针旋转获取4个坐标系的位置
int X1 = block.getBoxPoint().get(0).getX();
int Y1 = block.getBoxPoint().get(0).getY();
int X2 = block.getBoxPoint().get(1).getX();
int Y2 = block.getBoxPoint().get(1).getY();
int X3 = block.getBoxPoint().get(2).getX();
int Y3 = block.getBoxPoint().get(2).getY();
int X4 = block.getBoxPoint().get(3).getX();
int Y4 = block.getBoxPoint().get(3).getY();

LocationDetails locationDetails =new LocationDetails();
locationDetails.setLeft(Math.min(X1,X4));
locationDetails.setRight(Math.max(X2,X3));
locationDetails.setTop(Math.min(Y1,Y2));
locationDetails.setBottom(Math.max(Y3,Y4));

置信度

非常好的问题！置信度（Confidence） 是 OCR（光学字符识别）以及其他机器学习和人工智能模型中一个非常重要的概念。

简单来说，置信度是模型对自己识别结果"正确性"的一个量化评估，通常用一个 0.0 到 1.0 之间的数值来表示。

我们可以这样理解：

  • 高置信度 (例如 0.95 或 95%)：模型非常"自信"它识别出的文字是正确的。这通常意味着：

    • 图片中的文字非常清晰。
    • 字体是常见的、易于识别的。
    • 光线充足，没有模糊、扭曲或遮挡。
    • 背景简单，与文字颜色对比度高。

  • 低置信度 (例如 0.3 或 30%)：模型对它的识别结果感到"怀疑"或"不确定"。这通常意味着：

    • 图片模糊或分辨率很低。
    • 文字有扭曲、旋转、透视变形。
    • 光线不足、有阴影或反光。
    • 背景复杂，与文字颜色相近，难以区分。
    • 字体是手写体、艺术字或非常规字体。
    • 文字部分被遮挡或损坏。

在实际应用中，置信度有什么用？

  1. 结果过滤：您可以设定一个置信度阈值（例如 0.7）。只有置信度高于这个阈值的识别结果才被认为是"可靠"的，低于这个阈值的结果可以被忽略或标记为"需要人工复核"。这对于自动化处理大量图片时保证数据质量非常有用。

  2. 质量评估：通过查看整体的平均置信度，您可以评估当前输入图片的质量或者模型在特定场景下的表现。

  3. 错误预警：如果某个关键信息（如身份证号、银行卡号）的置信度很低，系统可以发出警告，提示用户检查图片或进行人工确认，避免因识别错误导致严重后果。

  4. 模型调试：开发者可以通过分析低置信度的识别案例，来了解模型的弱点，进而优化模型或改进预处理流程。

基于springboot编写的OCR的识别代码

bean的TextPointInformation

java 复制代码 
package com.example.demo.bean;

public class TextPointInformation {
    private String text;
    private String score;
    private LocationDetails locationDetails;

    public void setText(String text) {
        this.text = text;
    }
    public void setScore(String score) {
        this.score = score;
    }

    public void setLocationDetails(LocationDetails locationDetails) {
        this.locationDetails = locationDetails;
    }
    public String getText() {
        return text;
    }
    public String getScore() {
        return score;
    }
    public LocationDetails getLocationDetails() {
        return locationDetails;
    }

}

bean的LocationDetails

java 复制代码 
package com.example.demo.bean;

public class LocationDetails {
    private int left;
    private int right;
    private int top;
    private int bottom;
    public void setLeft(int left) {
        this.left = left;
    }

    public void setRight(int right) {
        this.right = right;
    }

    public void setTop(int top) {
        this.top = top;
    }

    public void setBottom(int bottom) {
        this.bottom = bottom;
    }
    public int getLeft() {
        return left;
    }

    public int getRight() {
        return right;
    }

    public int getTop() {
        return top;
    }

    public int getBottom() {
        return bottom;
    }
}

controller接收上传的图片并识别OCR

java 复制代码 
package com.example.demo;

import com.benjaminwan.ocrlibrary.OcrResult;
import com.benjaminwan.ocrlibrary.TextBlock;
import com.example.demo.bean.LocationDetails;
import com.example.demo.bean.TestDemo;
import com.example.demo.bean.TextPointInformation;
import io.github.mymonstercat.Model;
import io.github.mymonstercat.ocr.InferenceEngine;
import org.springframework.beans.factory.annotation.Autowired;
import org.springframework.http.ResponseEntity;
import org.springframework.stereotype.Component;
import org.springframework.web.bind.annotation.PostMapping;
import org.springframework.web.bind.annotation.RequestMapping;
import org.springframework.web.bind.annotation.RequestParam;
import org.springframework.web.bind.annotation.RestController;
import org.springframework.web.multipart.MultipartFile;

import java.io.IOException;
import java.nio.file.Files;
import java.nio.file.Path;
import java.nio.file.Paths;
import java.util.ArrayList;
import java.util.Arrays;
import java.util.List;

@Component
@RestController
@RequestMapping("/test")
public class controllerdemo {
    // 指定上传目录（可修改为你的路径）
    private static final String UPLOAD_DIR = "E:/demo/src/main/resources/static/";
    @PostMapping("/image")
    public List<TextPointInformation> uploadImage(@RequestParam("file") MultipartFile file) {
        List<TextPointInformation> listTextPointInformations = new ArrayList<TextPointInformation>();
        TextPointInformation textPointInformation = new TextPointInformation();
        if (file.isEmpty()) {
            textPointInformation.setText("上传的文件为空");
            listTextPointInformations.add(textPointInformation);
            return listTextPointInformations;
        }
        // 2. 创建上传目录
        Path uploadPath = Paths.get(UPLOAD_DIR);
        if (!Files.exists(uploadPath)) {
            try {
                Files.createDirectories(uploadPath);
            } catch (IOException e) {
                textPointInformation.setText("无法创建上传目录");
                listTextPointInformations.add(textPointInformation);
                return listTextPointInformations;
            }
        }
        //保存图片
        try {
            Files.write(Path.of(UPLOAD_DIR + file.getOriginalFilename()),file.getBytes());
        } catch (IOException e) {
            e.printStackTrace();
        }
        listTextPointInformations = ocrDetail(file);
        return listTextPointInformations;
    }
    public List<TextPointInformation> ocrDetail(MultipartFile file){
        List<TextPointInformation> listTextPointInformations = new ArrayList<TextPointInformation>();
        //获取推理引擎实例,指定使用0NNX版本的PP-0CRV3模型
        InferenceEngine engine = InferenceEngine.getInstance(Model.ONNX_PPOCR_V3);
        OcrResult ocrResult = engine.runOcr(UPLOAD_DIR + file.getOriginalFilename());
        System.out.println(ocrResult.getTextBlocks());
        List<TextBlock> textBlocks = ocrResult.getTextBlocks();
        //遍历处理每个文字块
        for (TextBlock block : textBlocks) {
            TextPointInformation textPointInformation = new TextPointInformation();
            textPointInformation.setText(block.getText());

            //从左边到右顺时针旋转获取4个坐标系的位置
            int X1 = block.getBoxPoint().get(0).getX();
            int Y1 = block.getBoxPoint().get(0).getY();
            int X2 = block.getBoxPoint().get(1).getX();
            int Y2 = block.getBoxPoint().get(1).getY();
            int X3 = block.getBoxPoint().get(2).getX();
            int Y3 = block.getBoxPoint().get(2).getY();
            int X4 = block.getBoxPoint().get(3).getX();
            int Y4 = block.getBoxPoint().get(3).getY();

            LocationDetails locationDetails =new LocationDetails();
            locationDetails.setLeft(Math.min(X1,X4));
            locationDetails.setRight(Math.max(X2,X3));
            locationDetails.setTop(Math.min(Y1,Y2));
            locationDetails.setBottom(Math.max(Y3,Y4));

            textPointInformation.setLocationDetails(locationDetails);
            //置信度
            textPointInformation.setScore(String.valueOf(block.getBoxScore()));
            listTextPointInformations.add(textPointInformation);

            System.out.println("文字内容:"+block.getText());
            System.out.println("位置坐标:"+ Arrays.toString(block.getBoxPoint().toArray()));
            System.out.println("置信度:"+block.getBoxScore());

        }
        return listTextPointInformations;
    }
}

上传图片并获取到ocr识别的结果

postman调用

python调用

python 复制代码 
#coding:utf-8

import requests

file_path = 'D:/PythonProject/ocr/3fbb29d947ade6c1e7027a66ad66e165.jpg'
url = "http://127.0.0.1:8080/test/image"

# headers = {
#     'Content-Type': 'multipart/form-data'
# }

with open(file_path, 'rb') as file:
    files = {'file': file}
    response = requests.post(url, files = files)

# 检查响应状态码
if response.status_code == 200:
    print('图片上传成功')
    print(response.text)  # 打印服务器返回的信息，如果有的话
else:
    print('图片上传失败')
    print(f'状态码: {response.status_code}')
    print(response.text)
相关推荐
AI 菌5 分钟前
DeepSeek-OCR v2 解读
人工智能·大模型·ocr·多模态
敢敢のwings1 小时前
DeepSeek-OCR 2 使用教程
ocr
机器学习算法与Python实战2 小时前
DeepSeek-OCR-2 本地部署，实测
人工智能·ocr
山顶夕景15 小时前
【VLM】Visual Merit or Linguistic Crutch? 看DeepSeek-OCR
大模型·llm·ocr·多模态
2401_8362358618 小时前
通关利器：中安未来TH-ER610电子护照阅读器，无纸化时代的身份核验安全保障
人工智能·科技·深度学习·安全·ocr
MM_MS19 小时前
Halcon一维码的读取、批量条码检测_含未检测到条码处理、兼容多种二维码识别、OCR字符提取
图像处理·人工智能·算法·计算机视觉·目标跟踪·视觉检测·ocr
技小宝21 小时前
从 OCR 到 AI：提单号识别的技术升级与落地步骤
大数据·人工智能·经验分享·职场和发展·ocr·学习方法·交通物流
梁辰兴1 天前
DeepSeek-OCR 2如何让AI像人类一样“看懂“复杂文档？
人工智能·ai·大模型·ocr·deepseek·梁辰兴·deepseek-ocr 2
新缸中之脑2 天前
LightOnOCR-2：1B超能OCR模型
ocr
AI人工智能+2 天前
基于深度学习与计算机视觉的高精度表格识别技术，精准识别复杂表格结构，自动输出结构化数据
深度学习·计算机视觉·ocr·表格识别
热门推荐
01GitHub 镜像站点02【网络安全测试】Burp Suite工具使用说明、配置及常见问题（有关必回）03OpenCode 入门教程：介绍 · 安装 · 配置第三方 API (如 Claude)04Claude Code Skills 实用使用手册05UV安装并设置国内源06struts2 XML外部实体注入漏洞复现（CVE-2025-68493）07在Trae中使用Pencil MCP08Open Code教程（四）| 高级配置与集成09在VSCode配置Java开发环境的保姆级教程（适配各类AI编程IDE）10AI 规范驱动开发“三剑客”深度对比：Spec-Kit、Kiro 与 OpenSpec 实战指南