争渡读屏OCR文字/图像识别插件接口功能实现详解

争渡读屏OCR文字/图像识别插件接口功能实现详解

ZDSR.OCRAddin.IOCRAddin 是争渡读屏设计的图像识别扩展插件接口。该规范能让第三方开发者创建自定义 OCR 插件,将第三方图像/文字识别功能集成到读屏中。

下面深入详解该接口的每个部分。

一、接口设计目标

插件接口的核心目标是实现一个标准化的第三方 OCR 引擎扩展接入机制,使得:

  • 读屏软件能以统一方式调用第三方扩展的不同 OCR 引擎
  • 插件开发者能专注于识别算法,无需关心读屏软件内部实现
  • 支持多种识别模式(纯文本识别、带坐标的精准识别)

二、接口方法

1. Name 属性

csharp 复制代码
string IOCRAddin.Name => throw new NotImplementedException();
  • 作用:返回插件的显示名称
  • 实现要点 :
    • 必须返回一个有意义的字符串(如"Cirong AI OCR")
    • 该名称会在读屏的插件引擎列表中显示
    • 示例:public string Name => "Cirong AI OCR";

2. Type 属性

csharp 复制代码
string IOCRAddin.Type => throw new NotImplementedException();
  • 作用:返回当前 OCR 的子类别
  • 实现要点 :
    • 如果插件支持多种识别模式(如"通用"、"身份证"、"银行卡"),返回当前选中的类型
    • 示例:public string Type => "通用";

3. ChangeType 方法

csharp 复制代码
string IOCRAddin.ChangeType(bool bReset)
{
    throw new NotImplementedException();
}
  • 作用:切换 OCR 子类别
  • 参数说明 :
    • bReset: true 表示重置到第一项,false 表示切换到下一项
  • 返回值:新的类别名
  • 实现要点 :
    • 维护一个类型列表(如 string[] types = { "通用", "身份证", "银行卡" })
    • 根据 bReset 参数切换当前类型索引
    • 返回新的类别名

4. Initial 方法

csharp 复制代码
int IOCRAddin.Initial()
{
    throw new NotImplementedException();
}
  • 作用:初始化插件
  • 返回值 :
    • 1 表示插件初始化成功
    • 0表示失败
  • 实现要点 :
    • 加载模型、初始化插件资源等
    • 检查依赖项是否齐全
    • 返回 1 表示准备就绪

5. OCR 方法

csharp 复制代码
OCRResult IOCRAddin.OCR(System.Drawing.Image img, bool bNeedRect)
{
    throw new NotImplementedException();
}
  • 作用:执行 OCR 图像识别
  • 参数说明 :
    • img: 需要识别的图像
    • bNeedRect: 是否需要返回坐标信息
      • true: 需要返回每个字符/控件的精确坐标
      • false: 只需返回文本内容
  • 返回值 :OCRResult 对象,存放识别结果

三、数据结构详解

1. OCRResult 结构

csharp 复制代码
public class OCRResult
{
    public List<OCRLine> ocrLines { get; set; }
}
  • 核心字段 :
    • ocrLines: 识别到的所有文本行/控件列表

2. OCRLine 结构

csharp 复制代码
public class OCRLine
{
    public string line { get; set; }       // 整行文本
    public Rectangle lineRect { get; set; } // 行边界框
    public List<OCRWord> words { get; set; } // 逐字信息
}
  • 关键字段 :
    • line: 整行文本内容(如"确定"、"用户名")
    • lineRect: 该行在图像中的边界框(x, y, width, height)
    • words: 仅当 bNeedRect=true 时填充,包含每个字的详细信息

3. OCRWord 结构

csharp 复制代码
public class OCRWord
{
    public string text { get; set; }  // 字符内容
    public int x { get; set; }        // 相对于图像左上角的X坐标
    public int y { get; set; }        // 相对于图像左上角的Y坐标
    public int width { get; set; }    // 字符宽度
    public int height { get; set; }   // 字符高度
}
  • 作用:提供字符级精确坐标
  • 注 :仅当 bNeedRect=true 时才需要填充

四、工作流程

1. 读屏调用插件流程

(1) 读屏启动时,调用 Initial() 初始化插件,成功则将插件注册到 OCR 引擎列表

(2) 用户触发 OCR 识别

(3) 读屏软件截取当前屏幕/窗口

(4) 调用 OCR(img, true) 识别(需要坐标)

(5) 读屏软件接收 OCRResult

(6) 将相对坐标转换为屏幕绝对坐标

(7) 朗读或模拟点击相应内容

2. 两种识别模式的区别

模式 bNeedRect 返回数据 用途
纯文本模式 false 仅 line 字段 简单文本朗读或描述图中内容
精准定位模式 true 完整坐标信息 模拟点击、逐字词浏览

五、编译和部署

使用 Visual Studio 创建 C# 类库项目 ,目标框架选择 .NET Framework 4.8 。在项目中添加对争渡读屏安装根目录下 ZDSROCRAddin.dll 的引用,并导入 using ZDSR.OCRAddin 命名空间,随后,按上述说明,实现 IOCRAddin 接口的 Name、Type、ChangeType、Initial 和 OCR 等。编译生成插件 DLL;若插件依赖模型或其他资源文件,随 DLL 一并放置。

在争渡读屏安装目录(如 C:\Program Files (x86)\zdsr\zdsr) 的 addins\OCR 下新建一个与插件 DLL 同名的文件夹 ,将插件 DLL 放入该文件夹。例如 CirongOCRAddin.dll 应部署为 addins\OCR\CirongOCRAddin\CirongOCRAddin.dll。可参考读屏目录下 addins\OCR\TestOCRAddin 中的演示样例。读屏启动时会调用 Initial(),返回 1 表示初始化成功并注册到 OCR 引擎列表;返回 0 表示失败。

这套接口设计的精妙之处在于既支持简单文本识别或图像描述,又支持精准坐标定位,同时通过 bNeedRect 参数让插件可以优化不同场景下的性能表现。

参考


作者

张赐荣,视障者,信息无障碍软件优化解决方案资深研发专家。

深耕Web/PC/移动端可访问性工作多年,对跨平台无障碍解决方案拥有深厚的理论研究和丰富的实战经验。

精通障碍用户软件交互设计,长期致力于改善、提升产品可及性体验。

相关推荐
飞奔的瓜牛21 小时前
Nginx 生产环境运维实践:常见问题、关注要点与日常维护
运维·nginx
科研邪修法21 小时前
中英混排OCR评估:从字符输出到字段验收
ocr
Eyfcom1 天前
〖物流 SaaS 实战 02〗SaaS 租户的计费与订阅模型:从“一锤子买卖”到“按需订阅”
linux·服务器·数据库·快递系统·物流saas实战
瑞克-桑切斯1 天前
Kubernetes 1.28 保姆级新手学习教程
运维·学习·docker·云原生·容器·kubernetes
数据库急诊室_阿哲1 天前
一次割接后的性能复核记录:基线、样本、回滚点
运维·数据库·dba
忆挽篱笙歌1 天前
systemV进程通信
linux·运维·服务器
飞奔的瓜牛1 天前
Wireshark 抓包实战:呼叫中心项目中的 SIP、DTMF 与 RTP 分析
运维·wireshark
Decay__1 天前
SQLServer 监控体系构建 —— sql_exporter + Prometheus + Grafana 全栈实战
运维·数据库·sql·mysql·架构
遇雪长安1 天前
wslc 来了:Docker Desktop 还要留着吗?
运维·docker·容器
csdn_aspnet1 天前
【Docker 攻略】MySQL 安裝篇
运维·mysql·docker·容器