Ismerkedés az AI-szövegfelismeréssel (OCR)

A szövegfelismerést, más néven optikai karakterfelismerést (OCR) a Windows AI Foundry egy mesterséges intelligenciával (AI) támogatott API-kkal támogatja, amelyek képesek a képeken belüli szöveg észlelésére és kinyerésére, valamint gépi olvasható karakterfolyamokká alakítására.

Ezek az API-k azonosítják a karaktereket, szavakat, vonalakat, sokszögletű szöveghatárokat, és megbízhatósági szinteket biztosítanak az egyes egyezésekhez. Emellett kizárólag a neurális feldolgozóegységekkel (NPU) rendelkező eszközök hardveres gyorsítása támogatja őket, így gyorsabbak és pontosabbak, mint az örökölt Windows.Media.Ocr.OcrEngine API-k a Windows platform SDK-ban.

Az API részleteiért lásd: API ref for Text Recognition (OCR).

Fontos

Az alábbiakban felsoroljuk a Windows AI-funkciókat és a Windows App SDK kiadást, amelyekben jelenleg támogatottak.

1.8-os kísérleti verzió (1.8.0-experimental1) - Object Erase, Phi Silica, LoRA finomhangolás a Phi Silica, Beszélgetés összegzése (Szövegintelligencia)

Privát előzetes verzió – Szemantikai keresés

1.7.1-es verzió (1.7.250401001) – Minden más API

Ezek az API-k csak a május 7-i frissítést kapott Windows Insider Preview (WIP) eszközökön lesznek működőképesek. Május 28-29-én egy opcionális frissítés jelenik meg a nem WIP-eszközökre, majd a jún. 10-i frissítés. Ez a frissítés magával hozza a Windows AI API-k működéséhez szükséges AI-modelleket. Ezek a frissítések azt is megkövetelik, hogy a Windows AI API-kat használó alkalmazások ezt mindaddig nem tudják megtenni, amíg az alkalmazás futásidőben nem kap csomagidentitást.

Mi a teendő az AI-szövegfelismeréssel?

Használja az AI szövegfelismerési funkcióit a képen lévő szöveg azonosítására és felismerésére. A felismert szöveg szöveghatárait és megbízhatósági pontszámait is lekérheti.

ImageBuffer létrehozása fájlból

Ebben a WinUI-példában egy függvényt hívunk meg egy LoadImageBufferFromFileAsyncImageBuffer képfájlból való lekéréséhez.

A LoadImageBufferFromFileAsync függvényben a következő lépéseket hajtjuk végre:

1. Hozzon létre egy StorageFile-objektumot a megadott fájl elérési útjából.
2. Nyisson meg egy streamet a StorageFile-on az OpenAsync használatával.
3. Hozzon létre egy BitmapDecodert a streamhez.
4. Hívja meg a GetSoftwareBitmapAsync parancsot a bitkép-dekóderen egy SoftwareBitmap-objektum lekéréséhez.
5. A CreateBufferAttachedToBitmap rendszerképpuffert ad vissza.

using Microsoft.Windows.Vision;
using Microsoft.Graphics.Imaging;
using Windows.Graphics.Imaging;
using Windows.Storage;
using Windows.Storage.Streams;

public async Task<ImageBuffer> LoadImageBufferFromFileAsync(string filePath)
{
    StorageFile file = await StorageFile.GetFileFromPathAsync(filePath);
    IRandomAccessStream stream = await file.OpenAsync(FileAccessMode.Read);
    BitmapDecoder decoder = await BitmapDecoder.CreateAsync(stream);
    SoftwareBitmap bitmap = await decoder.GetSoftwareBitmapAsync();

    if (bitmap == null)
    {
        return null;
    }

    return ImageBuffer.CreateBufferAttachedToBitmap(bitmap);
}

#include <iostream>
#include <sstream>
#include <winrt/Microsoft.Windows.AI.Imaging.h>
#include <winrt/Windows.Graphics.Imaging.h>
#include <winrt/Microsoft.Graphics.Imaging.h>
#include <winrt/Microsoft.UI.Xaml.Controls.h>
#include<winrt/Microsoft.UI.Xaml.Media.h>
#include<winrt/Microsoft.UI.Xaml.Shapes.h>

using namespace winrt;
using namespace Microsoft::UI::Xaml;
using namespace Microsoft::Windows::AI;
using namespace Microsoft::Windows::AI::Imaging;
using namespace winrt::Microsoft::UI::Xaml::Controls;
using namespace winrt::Microsoft::UI::Xaml::Media;


winrt::Windows::Foundation::IAsyncOperation<winrt::hstring> 
    MainWindow::RecognizeTextFromSoftwareBitmap(
        Windows::Graphics::Imaging::SoftwareBitmap const& bitmap)
{
    winrt::Microsoft::Windows::AI::Imaging::TextRecognizer textRecognizer = 
        EnsureModelIsReady().get();
    Microsoft::Graphics::Imaging::ImageBuffer imageBuffer = 
        Microsoft::Graphics::Imaging::ImageBuffer::CreateForSoftwareBitmap(bitmap);
    RecognizedText recognizedText = 
        textRecognizer.RecognizeTextFromImage(imageBuffer);
    std::wstringstream stringStream;
    for (const auto& line : recognizedText.Lines())
    {
        stringStream << line.Text().c_str() << std::endl;
    }
    co_return winrt::hstring{ stringStream.str()};
}

Szöveg felismerése bitképen

Az alábbi példa bemutatja, hogyan ismerhet fel bizonyos szöveget egy SoftwareBitmap-objektumban egyetlen sztringértékként:

1. Hozzon létre egy TextRecognizer objektumot a EnsureModelIsReady függvény hívásán keresztül, amely azt is megerősíti, hogy van nyelvi modell a rendszeren.
2. Az előző kódrészletben kapott bitkép használatával meghívjuk a RecognizeTextFromSoftwareBitmap függvényt.
3. Hívja meg a CreateBufferAttachedToBitmap parancsot a képfájlban egy ImageBuffer-objektum lekéréséhez.
4. Hívja meg a RecognizeTextFromImage parancsot , hogy lekérje a felismert szöveget az ImageBufferből.
5. Hozzon létre egy wstringstream objektumot, és töltse be a felismert szöveggel.
6. Adja vissza a sztringet.

Jegyzet

A EnsureModelIsReady függvénnyel ellenőrizheti a szövegfelismerési modell készültségi állapotát (és szükség esetén telepítheti).

using Microsoft.Windows.Vision;
using Microsoft.Windows.AI;
using Microsoft.Graphics.Imaging;
using Windows.Graphics.Imaging;
using Windows.Storage;
using Windows.Storage.Streams;

public async Task<string> RecognizeTextFromSoftwareBitmap(SoftwareBitmap bitmap)
{
    TextRecognizer textRecognizer = await EnsureModelIsReady();
    ImageBuffer imageBuffer = ImageBuffer.CreateBufferAttachedToBitmap(bitmap);
    RecognizedText recognizedText = textRecognizer.RecognizeTextFromImage(imageBuffer);
    StringBuilder stringBuilder = new StringBuilder();

    foreach (var line in recognizedText.Lines)
    {
        stringBuilder.AppendLine(line.Text);
    }

    return stringBuilder.ToString();
}

public async Task<TextRecognizer> EnsureModelIsReady()
{
    if (TextRecognizer.GetReadyState() == AIFeatureReadyState.EnsureNeeded)
    {
        var loadResult = await TextRecognizer.EnsureReadyAsync();
        if (loadResult.Status != PackageDeploymentStatus.CompletedSuccess)
        {
            throw new Exception(loadResult.ExtendedError().Message);
        }
    }

    return await TextRecognizer.CreateAsync();
}

winrt::Windows::Foundation::IAsyncOperation<winrt::Microsoft::Windows::AI::Imaging::TextRecognizer> MainWindow::EnsureModelIsReady()
{
    if (winrt::Microsoft::Windows::AI::Imaging::TextRecognizer::GetReadyState() == AIFeatureReadyState::NotReady)
    {
        auto loadResult = TextRecognizer::EnsureReadyAsync().get();
           
        if (loadResult.Status() != AIFeatureReadyResultState::Success)
        {
            throw winrt::hresult_error(loadResult.ExtendedError());
        }
    }

    return winrt::Microsoft::Windows::AI::Imaging::TextRecognizer::CreateAsync();
}

Szóhatárok és megbízhatóság lekérése

Itt bemutatjuk, hogyan lehet az egyes szavak határolókeretét megjeleníteni a SoftwareBitmap-objektumban úgy, hogy azok egy rácselem színkódolt sokszögeinek gyűjteményeként jelenjenek meg.

Jegyzet

Ebben a példában feltételezzük, hogy egy TextRecognizer-objektum már létrejött, és átadta a függvénynek.

using Microsoft.Windows.Vision;
using Microsoft.Graphics.Imaging;
using Windows.Graphics.Imaging;
using Windows.Storage;
using Windows.Storage.Streams;

public void VisualizeWordBoundariesOnGrid(
    SoftwareBitmap bitmap,
    Grid grid,
    TextRecognizer textRecognizer)
{
    ImageBuffer imageBuffer = ImageBuffer.CreateBufferAttachedToBitmap(bitmap);
    RecognizedText result = textRecognizer.RecognizeTextFromImage(imageBuffer);

    SolidColorBrush greenBrush = new SolidColorBrush(Microsoft.UI.Colors.Green);
    SolidColorBrush yellowBrush = new SolidColorBrush(Microsoft.UI.Colors.Yellow);
    SolidColorBrush redBrush = new SolidColorBrush(Microsoft.UI.Colors.Red);

    foreach (var line in result.Lines)
    {
        foreach (var word in line.Words)
        {
            PointCollection points = new PointCollection();
            var bounds = word.BoundingBox;
            points.Add(bounds.TopLeft);
            points.Add(bounds.TopRight);
            points.Add(bounds.BottomRight);
            points.Add(bounds.BottomLeft);

            Polygon polygon = new Polygon();
            polygon.Points = points;
            polygon.StrokeThickness = 2;

            if (word.Confidence < 0.33)
            {
                polygon.Stroke = redBrush;
            }
            else if (word.Confidence < 0.67)
            {
                polygon.Stroke = yellowBrush;
            }
            else
            {
                polygon.Stroke = greenBrush;
            }

            grid.Children.Add(polygon);
        }
    }
}

void MainWindow::VisualizeWordBoundariesOnGrid(
    Windows::Graphics::Imaging::SoftwareBitmap const& bitmap,
    Grid const& grid,
    TextRecognizer const& textRecognizer)
{
    Microsoft::Graphics::Imaging::ImageBuffer imageBuffer = 
        Microsoft::Graphics::Imaging::ImageBuffer::CreateForSoftwareBitmap(bitmap);

    RecognizedText result = textRecognizer.RecognizeTextFromImage(imageBuffer);

    auto greenBrush = SolidColorBrush(winrt::Microsoft::UI::Colors::Green());
    auto yellowBrush = SolidColorBrush(winrt::Microsoft::UI::Colors::Yellow());
    auto redBrush = SolidColorBrush(winrt::Microsoft::UI::Colors::Red());
    for (const auto& line : result.Lines())
    {
        for (const auto& word : line.Words())
        {
            PointCollection points;
            const auto& bounds = word.BoundingBox();
            points.Append(bounds.TopLeft);
            points.Append(bounds.TopRight);
            points.Append(bounds.BottomRight);
            points.Append(bounds.BottomLeft);

            winrt::Microsoft::UI::Xaml::Shapes::Polygon polygon{};
            polygon.Points(points);
            polygon.StrokeThickness(2);
            if (word.MatchConfidence() < 0.33)
            {
                polygon.Stroke(redBrush);
            }
            else if (word.MatchConfidence() < 0.67)
            {
                polygon.Stroke(yellowBrush);
            }
            else
            {
                polygon.Stroke(greenBrush);
            }

            grid.Children().Append(polygon);
        }
    }
}

Felelős mesterséges intelligencia

Az alábbi lépések kombinációjával biztosítjuk, hogy ezek a képalkotó API-k megbízhatóak, biztonságosak és felelősségteljesen legyenek felépítve. Javasoljuk, hogy tekintse át a Felelős Generatív AI-fejlesztés windowsos fejlesztésével kapcsolatos ajánlott eljárásokat az alkalmazás AI-funkcióinak megvalósításakor.

Lásd még

• Fájlok és mappák elérése Windows App SDK-val és WinRT API-kkal
• AI Dev Gallery
• Windows AI API-minta