Guillermo
10 years ago
3 changed files with 325 additions and 1426 deletions
@ -0,0 +1,324 @@ |
|||||||
|
importScripts('madeline.js') |
||||||
|
|
||||||
|
var filesizes = { |
||||||
|
"afr": 1079573, |
||||||
|
"ara": 1701536, |
||||||
|
"aze": 1420865, |
||||||
|
"bel": 1276820, |
||||||
|
"ben": 6772012, |
||||||
|
"bul": 1605615, |
||||||
|
"cat": 1652368, |
||||||
|
"ces": 1035441, |
||||||
|
"chi_sim": 17710414, |
||||||
|
"chi_tra": 24717749, |
||||||
|
"chr": 320649, |
||||||
|
"dan-frak": 677656, |
||||||
|
"dan": 1972936, |
||||||
|
"deu-frak": 822644, |
||||||
|
"deu": 991656, |
||||||
|
"ell": 859719, |
||||||
|
"eng": 9453554, |
||||||
|
"enm": 619254, |
||||||
|
"epo": 1241212, |
||||||
|
"equ": 821130, |
||||||
|
"est": 1905040, |
||||||
|
"eus": 1641190, |
||||||
|
"fin": 979418, |
||||||
|
"fra": 1376221, |
||||||
|
"frk": 5912963, |
||||||
|
"frm": 5147082, |
||||||
|
"glg": 1674938, |
||||||
|
"grc": 3012615, |
||||||
|
"heb": 1051501, |
||||||
|
"hin": 6590065, |
||||||
|
"hrv": 1926995, |
||||||
|
"hun": 3074473, |
||||||
|
"ind": 1874776, |
||||||
|
"isl": 1634041, |
||||||
|
"ita": 948593, |
||||||
|
"ita_old": 3436571, |
||||||
|
"jpn": 13507168, |
||||||
|
"kan": 4390317, |
||||||
|
"kor": 5353098, |
||||||
|
"lav": 1843944, |
||||||
|
"lit": 1779240, |
||||||
|
"mal": 5966263, |
||||||
|
"meme": 88453, |
||||||
|
"mkd": 1163087, |
||||||
|
"mlt": 1463001, |
||||||
|
"msa": 1665427, |
||||||
|
"nld": 1134708, |
||||||
|
"nor": 2191610, |
||||||
|
"osd": 4274649, |
||||||
|
"pol": 7024662, |
||||||
|
"por": 909359, |
||||||
|
"ron": 915680, |
||||||
|
"rus": 5969957, |
||||||
|
"slk-frak": 289885, |
||||||
|
"slk": 2217342, |
||||||
|
"slv": 1611338, |
||||||
|
"spa": 883170, |
||||||
|
"spa_old": 5647453, |
||||||
|
"sqi": 1667041, |
||||||
|
"srp": 1770244, |
||||||
|
"swa": 757916, |
||||||
|
"swe": 2451917, |
||||||
|
"tam": 3498763, |
||||||
|
"tel": 5795246, |
||||||
|
"tgl": 1496256, |
||||||
|
"tha": 3811136, |
||||||
|
"tur": 3563264, |
||||||
|
"ukr": 937566, |
||||||
|
"vie": 2195922 |
||||||
|
} |
||||||
|
|
||||||
|
var recognize = (function createTesseractInstance(){ |
||||||
|
|
||||||
|
var Module = Tesseract304({ |
||||||
|
TOTAL_MEMORY: 90e6, |
||||||
|
TesseractProgress: function(percent){ |
||||||
|
console.log('recognized',percent+'%') |
||||||
|
} |
||||||
|
}) |
||||||
|
|
||||||
|
var base = new Module.TessBaseAPI() |
||||||
|
var loaded_langs = [] |
||||||
|
var loadLanguage = (function(){ |
||||||
|
|
||||||
|
return (function loadLanguage(lang, cb){ // NodeJS style callback
|
||||||
|
if(loaded_langs.indexOf(lang) != -1){ |
||||||
|
cb(null, lang) |
||||||
|
} |
||||||
|
else{ |
||||||
|
Module.FS_createPath("/","tessdata",true,true) |
||||||
|
var xhr = new XMLHttpRequest(); |
||||||
|
xhr.open('GET', 'https://cdn.rawgit.com/naptha/tessdata/gh-pages/3.02/'+lang+'.traineddata.gz', true); |
||||||
|
xhr.responseType = 'arraybuffer'; |
||||||
|
xhr.onerror = function(){ cb(xhr, null) } |
||||||
|
xhr.onprogress = function(e){console.log('loading',lang,'language model:',Math.round(e.loaded/filesizes[lang]*100)+'%')} |
||||||
|
xhr.onload = function(){ |
||||||
|
if (xhr.status == 200 || (xhr.status == 0 && xhr.response)) { |
||||||
|
console.log('unzipping language model...') |
||||||
|
var data = new Uint8Array(unzip(new Uint8Array(xhr.response))) |
||||||
|
console.log(lang +".traineddata", 'sucessfully unzipped') |
||||||
|
Module.FS_createDataFile('tessdata', lang +".traineddata", data, true, false); |
||||||
|
loaded_langs.push(lang) |
||||||
|
cb(null, lang) |
||||||
|
} else cb(xhr, null); |
||||||
|
} |
||||||
|
xhr.send(null) |
||||||
|
} |
||||||
|
}) |
||||||
|
})() |
||||||
|
|
||||||
|
function DumpLiterallyEverything(){ |
||||||
|
var ri = base.GetIterator(); |
||||||
|
var blocks = []; |
||||||
|
var block, para, textline, word, symbol; |
||||||
|
|
||||||
|
function enumToString(value, prefix){ |
||||||
|
return (Object.keys(Module) |
||||||
|
.filter(function(e){ return e.startsWith(prefix + '_') }) |
||||||
|
.filter(function(e){ return Module[e] === value }) |
||||||
|
.map(function(e){ return e.slice(prefix.length + 1) })[0]) |
||||||
|
} |
||||||
|
|
||||||
|
do { |
||||||
|
if(ri.IsAtBeginningOf(Module.RIL_BLOCK)){ |
||||||
|
var poly = ri.BlockPolygon(); |
||||||
|
var polygon = null; |
||||||
|
// BlockPolygon() returns null when automatic page segmentation is off
|
||||||
|
if(Module.getPointer(poly) > 0){ |
||||||
|
var n = poly.get_n(), |
||||||
|
px = poly.get_x(), |
||||||
|
py = poly.get_y(), |
||||||
|
polygon = []; |
||||||
|
for(var i = 0; i < n; i++){ |
||||||
|
polygon.push([px.getValue(i), py.getValue(i)]); |
||||||
|
} |
||||||
|
Module._ptaDestroy(Module.getPointer(poly)); |
||||||
|
} |
||||||
|
|
||||||
|
block = { |
||||||
|
paragraphs: [], |
||||||
|
|
||||||
|
text: ri.GetUTF8Text(Module.RIL_BLOCK), |
||||||
|
confidence: ri.Confidence(Module.RIL_BLOCK), |
||||||
|
baseline: ri.getBaseline(Module.RIL_BLOCK), |
||||||
|
bbox: ri.getBoundingBox(Module.RIL_BLOCK), |
||||||
|
|
||||||
|
blocktype: enumToString(ri.BlockType(), 'PT'), |
||||||
|
polygon: polygon |
||||||
|
} |
||||||
|
blocks.push(block) |
||||||
|
} |
||||||
|
if(ri.IsAtBeginningOf(Module.RIL_PARA)){ |
||||||
|
para = { |
||||||
|
lines: [], |
||||||
|
|
||||||
|
text: ri.GetUTF8Text(Module.RIL_PARA), |
||||||
|
confidence: ri.Confidence(Module.RIL_PARA), |
||||||
|
baseline: ri.getBaseline(Module.RIL_PARA), |
||||||
|
bbox: ri.getBoundingBox(Module.RIL_PARA), |
||||||
|
|
||||||
|
is_ltr: !!ri.ParagraphIsLtr() |
||||||
|
} |
||||||
|
block.paragraphs.push(para) |
||||||
|
} |
||||||
|
if(ri.IsAtBeginningOf(Module.RIL_TEXTLINE)){ |
||||||
|
textline = { |
||||||
|
words: [], |
||||||
|
|
||||||
|
text: ri.GetUTF8Text(Module.RIL_TEXTLINE), |
||||||
|
confidence: ri.Confidence(Module.RIL_TEXTLINE), |
||||||
|
baseline: ri.getBaseline(Module.RIL_TEXTLINE), |
||||||
|
bbox: ri.getBoundingBox(Module.RIL_TEXTLINE) |
||||||
|
} |
||||||
|
para.lines.push(textline) |
||||||
|
} |
||||||
|
if(ri.IsAtBeginningOf(Module.RIL_WORD)){ |
||||||
|
var fontInfo = ri.getWordFontAttributes(), |
||||||
|
wordDir = ri.WordDirection(); |
||||||
|
word = { |
||||||
|
symbols: [], |
||||||
|
choices: [], |
||||||
|
|
||||||
|
text: ri.GetUTF8Text(Module.RIL_WORD), |
||||||
|
confidence: ri.Confidence(Module.RIL_WORD), |
||||||
|
baseline: ri.getBaseline(Module.RIL_WORD), |
||||||
|
bbox: ri.getBoundingBox(Module.RIL_WORD), |
||||||
|
|
||||||
|
is_numeric: !!ri.WordIsNumeric(), |
||||||
|
in_dictionary: !!ri.WordIsFromDictionary(), |
||||||
|
direction: enumToString(wordDir, 'DIR'), |
||||||
|
language: ri.WordRecognitionLanguage(), |
||||||
|
|
||||||
|
is_bold: fontInfo.is_bold, |
||||||
|
is_italic: fontInfo.is_italic, |
||||||
|
is_underlined: fontInfo.is_underlined, |
||||||
|
is_monospace: fontInfo.is_monospace, |
||||||
|
is_serif: fontInfo.is_serif, |
||||||
|
is_smallcaps: fontInfo.is_smallcaps, |
||||||
|
font_size: fontInfo.pointsize, |
||||||
|
font_id: fontInfo.font_id, |
||||||
|
font_name: fontInfo.font_name, |
||||||
|
} |
||||||
|
var wc = new Module.WordChoiceIterator(ri); |
||||||
|
do { |
||||||
|
word.choices.push({ |
||||||
|
text: wc.GetUTF8Text(), |
||||||
|
confidence: wc.Confidence() |
||||||
|
}) |
||||||
|
} while (wc.Next()); |
||||||
|
Module.destroy(wc) |
||||||
|
textline.words.push(word) |
||||||
|
} |
||||||
|
|
||||||
|
var image = null; |
||||||
|
// var pix = ri.GetBinaryImage(Module.RIL_SYMBOL)
|
||||||
|
// var image = pix2array(pix);
|
||||||
|
// // for some reason it seems that things stop working if you destroy pics
|
||||||
|
// Module._pixDestroy(Module.getPointer(pix));
|
||||||
|
|
||||||
|
symbol = { |
||||||
|
choices: [], |
||||||
|
image: image, |
||||||
|
|
||||||
|
text: ri.GetUTF8Text(Module.RIL_SYMBOL), |
||||||
|
confidence: ri.Confidence(Module.RIL_SYMBOL), |
||||||
|
baseline: ri.getBaseline(Module.RIL_SYMBOL), |
||||||
|
bbox: ri.getBoundingBox(Module.RIL_SYMBOL), |
||||||
|
|
||||||
|
is_superscript: !!ri.SymbolIsSuperscript(), |
||||||
|
is_subscript: !!ri.SymbolIsSubscript(), |
||||||
|
is_dropcap: !!ri.SymbolIsDropcap(), |
||||||
|
} |
||||||
|
word.symbols.push(symbol) |
||||||
|
var ci = new Module.ChoiceIterator(ri); |
||||||
|
do { |
||||||
|
symbol.choices.push({ |
||||||
|
text: ci.GetUTF8Text(), |
||||||
|
confidence: ci.Confidence() |
||||||
|
}) |
||||||
|
} while (ci.Next()); |
||||||
|
Module.destroy(ci) |
||||||
|
} while (ri.Next(Module.RIL_SYMBOL)); |
||||||
|
Module.destroy(ri) |
||||||
|
|
||||||
|
return { |
||||||
|
text: base.GetUTF8Text(), |
||||||
|
html: base.GetHOCRText(), |
||||||
|
|
||||||
|
confidence: base.MeanTextConf(), |
||||||
|
|
||||||
|
blocks: blocks, |
||||||
|
|
||||||
|
psm: enumToString(base.GetPageSegMode(), 'PSM'), |
||||||
|
oem: enumToString(base.oem(), 'OEM'), |
||||||
|
version: base.Version(), |
||||||
|
} |
||||||
|
} |
||||||
|
|
||||||
|
function recognize(image, lang, options,cb){ |
||||||
|
var width, height; |
||||||
|
if(image.data){ |
||||||
|
var src = image.data; |
||||||
|
width = image.width, height = image.height; |
||||||
|
var dst = new Uint8Array(width * height); |
||||||
|
var srcLength = src.length | 0, srcLength_16 = (srcLength - 16) | 0; |
||||||
|
|
||||||
|
var coeff_r = 4899, coeff_g = 9617, coeff_b = 1868; |
||||||
|
|
||||||
|
for (var i = 0, j = 0; i <= srcLength_16; i += 16, j += 4) { |
||||||
|
// convert to grayscale 4 pixels at a time;
|
||||||
|
// add 8192 = 1<<13 so for int n, float k >= .5, ((n + k)*(1<<14) >> 14) = 1 + ((n)*(1<<14) >> 14)
|
||||||
|
dst[j] = src[i+3] //(((src[i] * coeff_r + src[i+1] * coeff_g + src[i+2] * coeff_b + 8192) >> 14) * src[i+3]) >> 8 + 255 - src[i+3];
|
||||||
|
dst[j + 1] = src[i+4+3]//(((src[i+4] * coeff_r + src[i+5] * coeff_g + src[i+6] * coeff_b + 8192) >> 14) * src[i+3]) >> 8 + 255 - src[i+3];
|
||||||
|
dst[j + 2] = src[i+8+3]//(((src[i+8] * coeff_r + src[i+9] * coeff_g + src[i+10] * coeff_b + 8192) >> 14) * src[i+3]) >> 8 + 255 - src[i+3];
|
||||||
|
dst[j + 3] = src[i+12+3]//(((src[i+12] * coeff_r + src[i+13] * coeff_g + src[i+14] * coeff_b + 8192) >> 14) * src[i+3]) >> 8 + 255 - src[i+3];
|
||||||
|
} |
||||||
|
for (; i < srcLength; i += 4, ++j) //finish up
|
||||||
|
dst[j] = (src[i] * coeff_r + src[i+1] * coeff_g + src[i+2] * coeff_b + 8192) >> 14; |
||||||
|
|
||||||
|
image = dst; |
||||||
|
// for(var i = 0; i < image.length; i++) image[i] = image[i] > 128;
|
||||||
|
} |
||||||
|
else { |
||||||
|
throw 'Expected ImageData' |
||||||
|
} |
||||||
|
var ptr = Module.allocate(image, 'i8', Module.ALLOC_NORMAL); |
||||||
|
|
||||||
|
loadLanguage(lang, function(err, result){ |
||||||
|
if(err){ |
||||||
|
console.error("error loading", lang); |
||||||
|
cb(err, null) |
||||||
|
} |
||||||
|
base.Init(null, lang) |
||||||
|
for (var option in options) { |
||||||
|
if (options.hasOwnProperty(option)) { |
||||||
|
base.SetVariable(option, options[option]); |
||||||
|
console.log('setting', option, '=', options[option]); |
||||||
|
} |
||||||
|
} |
||||||
|
|
||||||
|
|
||||||
|
base.SetImage(Module.wrapPointer(ptr), width, height, 1, width) |
||||||
|
base.SetRectangle(0, 0, width, height) |
||||||
|
base.GetUTF8Text() |
||||||
|
var everything = DumpLiterallyEverything() |
||||||
|
base.End(); |
||||||
|
Module._free(ptr); |
||||||
|
cb(null, everything) |
||||||
|
}) |
||||||
|
} |
||||||
|
|
||||||
|
// base._simple = _simple
|
||||||
|
return recognize |
||||||
|
})() |
||||||
|
|
||||||
|
onmessage = function(e) { |
||||||
|
|
||||||
|
recognize(e.data.image, e.data.lang, e.data.options, function(err, result){ |
||||||
|
postMessage({err:err, result: result}) |
||||||
|
}) |
||||||
|
} |
Loading…
Reference in new issue