Windows位圖和Leptonica位圖的轉(zhuǎn)換

袁智勇　劉文林

摘? ?要：很多屏幕文字識別應(yīng)用把截屏后的數(shù)據(jù)保存為圖片文件，然后從硬盤上讀取圖片文件進(jìn)行文字識別，這種做法效率很低。本文介紹了Windows位圖和Leptonica位圖格式的不同特點，提出了一套簡便的，在內(nèi)存中進(jìn)行轉(zhuǎn)換的方法。這使得直接在內(nèi)存中識別文字成為可能，省去在硬盤上存取圖片文件的步驟，從而大大提高屏幕文字識別應(yīng)用的效率。

關(guān)鍵詞：屏幕文字識別? tesseract? leptonica? GDI+? 位圖數(shù)據(jù)轉(zhuǎn)換

中圖分類號：TP391.4? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?文獻(xiàn)標(biāo)識碼：A? ? ? ? ? ? ? ? ? ? ? ? 文章編號：1674-098X（2019）10（c）-0113-02

1? 引言

有一類屏幕文字識別應(yīng)用，其流程是這樣的：

（1）屏幕截圖，將包含文字的截圖保存為圖片文件。

（2）調(diào)用文字識別模塊，讀取保存好的圖片文件，識別其中包含的文字。

（3）將識別出來的文字反饋給用戶。

在上述過程中，截圖須保存到硬盤上，然后由文字識別模塊讀取識別。這就涉及硬盤文件的讀寫，而硬盤文件的讀寫相對來說比較慢。很多情況下，保存下來的截圖并沒有其他用途，這樣一來不但增加了一些無謂的開銷，而且也拖慢了應(yīng)用的整體響應(yīng)速度。如果能將保存在內(nèi)存中的截圖數(shù)據(jù)直接發(fā)送到文字識別模塊，略去存取文件的過程，無疑是最佳的。這正是本文要解決的問題。

2? 開發(fā)平臺和工具

應(yīng)用平臺為Windows 7以上Windows操作系統(tǒng)。開發(fā)工具為集成于Visual Studio中的Visual C++。因為目前的Windows API（編程接口）并不直接支持文字識別，需要為Visual C++安裝支持文字識別的擴(kuò)展包——tesseract。之所以使用tesseract，一是它是免費開源軟件，可以免費使用;同時，雖然它是一款免費開源軟件，但其文字識別率非常高，不次于同檔次商業(yè)軟件。

Tesseract是在Linux平臺上開發(fā)的，要移植到Windows平臺，需要的步驟相當(dāng)繁瑣，而且容易出錯。幸運(yùn)的是微軟專門開發(fā)了一款稱為vcpkg的軟件，專門用于從Linux平臺移植軟件。通過vcpkg安裝好tesseract擴(kuò)展包后，還需下載對應(yīng)語言的訓(xùn)練數(shù)據(jù)（training data），這是文字識別的支撐數(shù)據(jù)庫。

3? 使用tesseract進(jìn)行文字識別

通過調(diào)用tesseract API，可以以編程的方式實現(xiàn)文字識別。Tesseract API的核心功能封裝于TessBaseAPI類中，通過其成員函數(shù)GetUTF8Text完成文字識別，使用起來非常簡單方便。在調(diào)用GetUTF8Text前需要進(jìn)行一些初始化操作，其中一步就是讀取硬盤上的包含文字的圖像文件，構(gòu)造一個Pix對象。然后以這個Pix對象為參數(shù)調(diào)用SetImage成員函數(shù)，為TessBaseAPI指定要識別的圖像。

4? Leptonica位圖

Tesseract沒有為一些基本的圖像處理，比如圖像文件的存取開發(fā)相應(yīng)的庫函數(shù)，而是借用了Leptonica。Leptonica也是一款著名的Linux下的免費開源軟件，專門用于基本的圖像處理，包括圖像文件的存取、格式轉(zhuǎn)換、圖像變換等。在Leptonica中，圖像被封裝成Pix類。除了讀取硬盤上的圖像文件來構(gòu)造Pix對象，也可以從內(nèi)存中的圖像數(shù)據(jù)來構(gòu)造Pix對象，比如通過下面的庫函數(shù)：

Pix * px = pixCreate（w， h， bpp）;

W是圖像水平像素數(shù)量，h是圖像垂直像素數(shù)量，bpp是每個像素的bit長度。

不過這個庫函數(shù)構(gòu)建的Pix對象只是個框架，對象的一些字段是空的，還需進(jìn)一步初始化。其中最重要的是Pix：：data字段，這個字段指向的緩存用于存儲位圖數(shù)據(jù)。如果我們將屏幕截圖保存下來的位圖數(shù)據(jù)拷貝到Pix對象中，并完成其他一些必要的初始化操作，就可以在內(nèi)存中構(gòu)造一個完整的Pix對象，用于tesseract文字識別，無需進(jìn)行圖像文件的硬盤存取操作。

5? 位圖數(shù)據(jù)轉(zhuǎn)換

在Windows平臺下可以將截圖后獲得的圖像數(shù)據(jù)封裝于GDI+的Bitmap對象中：

HDC hdcScreen = GetDC（NULL）;

HDC hdcMemDC = CreateCompatibleDC（hdcScreen）;

HBITMAP hbmScreen = CreateCompatibleBitmap（hdcScreen， cx， cy）;

SelectObject（hdcMemDC， hbmScreen）;

BitBlt（hdcMemDC， 0， 0， cx， cy， hdcScreen， x0， y0， SRCCOPY）;

Bitmap* bmp = new Bitmap（hbmScreen， NULL）;

然后我們可以調(diào)用Bitmap類的成員函數(shù)Bitmap：： LockBits來獲取位圖數(shù)據(jù)。但要注意的是，從Bitmap對象獲取的位圖數(shù)據(jù)不能直接拷貝到Pix：：data字段中去。這是因為GDI+的位圖數(shù)據(jù)格式和Leptonica的位圖數(shù)據(jù)格式是不同的。

首先，Linux平臺習(xí)慣用BGR的格式存儲顏色，而Windows平臺用RGB的個數(shù)存儲顏色。現(xiàn)在原始圖像的一般是每像素24bit長，但為了和32bit的CPU字長對齊，實際上一般將24bit的像素擴(kuò)張到32bit來存儲。多出的1字節(jié)空間可以不用，也可以存儲Alpha通道數(shù)據(jù)。因此Windows平臺顏色數(shù)據(jù)的格式為ARGB，而Linux平臺數(shù)據(jù)的格式為ABGR。另外，Linux平臺內(nèi)存中數(shù)據(jù)是以big-endian方式存儲的，最低位的R數(shù)據(jù)存儲在32bit數(shù)據(jù)的最高1個字節(jié)，最高位的A數(shù)據(jù)存儲在32bit數(shù)據(jù)的最低1個字節(jié)。因此，最終像素顏色的存儲格式為RGBA，這也是Leptonica在內(nèi)存中存儲顏色數(shù)據(jù)的方式。我們可以將Windows平臺的顏色數(shù)據(jù)ARGB向左移位8bit，變成RGB0。移位后A數(shù)據(jù)丟失，但這無關(guān)緊要，因為A數(shù)據(jù)一般不用（設(shè)置為0）。這樣就可以將Windows顏色數(shù)據(jù)轉(zhuǎn)換成Leptonica顏色數(shù)據(jù)RGB0。

其次，Windows位圖數(shù)據(jù)可以是bottom-up（上下顛倒）的，意思是圖像的最后一行像素存儲在位圖數(shù)據(jù)的第一行，第一行數(shù)據(jù)反而存儲在位圖數(shù)據(jù)的最后一行。而leptonica的位圖數(shù)據(jù)都是top-down（從上往下）的，意思是圖像的第一行像素存儲在位圖數(shù)據(jù)的第一行，最后一行數(shù)據(jù)存儲在位圖數(shù)據(jù)的最后一行。如果Windows位圖數(shù)據(jù)是bottom-up的（這種情況非常少），必須相應(yīng)地調(diào)整像素行的存儲順序。下面是相應(yīng)的代碼：

BitmapData bd;

bmp->LockBits（new Rect（0， 0， w， h）， ImageLockModeRead， PixelFormat32bppRGB， &bd）;

UINT* p = （UINT*）bd.Scan0;

if （bd.Stride < 0） p -= w * （h - 1）;//Stride小于0位圖是bottom-up的，否則是top-down的

for （int i = 0; i < w * h; i++） p[i] = p[i] << 8; //顏色數(shù)據(jù)移位

參考文獻(xiàn)

[1] 周鳴揚(yáng)，趙景亮.精通GDI+編程[M].北京：清華大學(xué)出版社，2004.

[2] Ivor Horton.Visual C++ 2010入門經(jīng)典[M].5版.北京：清華大學(xué)出版社， 2010.

[3] Jeffrey Richter.Windows核心編程[M].北京：機(jī)械工業(yè)出版社，2008.