前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
圈层
工具
发布
首页
学习
活动
专区
圈层
工具
MCP广场
社区首页 >专栏 >微信小程序基于万象优图实现图片 OCR

微信小程序基于万象优图实现图片 OCR

原创
作者头像
Jason
修改于 2017-12-18 07:58:46
修改于 2017-12-18 07:58:46
12.2K00
代码可运行
举报
运行总次数:0
代码可运行

随着小程序开放越来越多的类目,越来越多的企业将各种各样的需求开发成小程序,而基于图像识别的名片识别、身份证识别或者普通文字的 OCR 也越来越多的被应用于各种场景中,基于此,腾讯云微信小程序解决方案团队将腾讯万象优图的身份证识别和文字印刷体 OCR 封装进 wafer2-node-sdk 中,使得用户可以快速调用使用图片识别。

现在,通过图像识别 Demo,一起来完成身份证和印刷体识别的快速开发吧!

首先需要到腾讯云的万象优图控制台开通万象优图功能,并且创建 Bucket。创建的 Bucket 最好为公有读私有写的权限。

以下文档基于图像识别 Demo 进行介绍,目前图像识别接口只有 Node.js SDK 提供。

打开server/config.js,添加上qcloudAppIdqcloudSecretIdqcloudSecretKey三个配置项,并在代码目录中打开 CMD,运行如下代码:

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
cd server && npm i

安装完成依赖,选择小程序开发者工具右上角的【腾讯云】按钮,点击【上传测试环境】上传代码到测试环境中,一键部署程序。你也可以自行部署代码,部署过程同《自行部署 Node.js Demo》,这里不再介绍。

查阅 Wafer Node.js SDK 的 API 文档,可以看到 SDK 提供了两个万象优图接口,分别是身份证识别接口和印刷体 OCR 接口。

身份证识别

直接调用 ci.idCardIdentify 即可快速识别身份证,根据文档,该接口的第一个参数为要识别的图片地址。我们可以提前使用 SDK 的图片上传功能,将图片上传到 COS 上,获取图片的地址(Bucket 必须为公有读私有写)之后,再调用身份证识别接口。接口的第二个参数为万象优图的 Bucket,第三个参数为要识别的身份证的正面还是反面(0 代表带头像那面,1 代表国徽那面)

代码语言:txt
AI代码解释
复制
const data = await uploader(ctx.req);
const { data: identifyResult } = await ci.idCardIdentify([data.imgUrl], 'qcloudtest', 0);

同时,身份证识别接口支持批量识别,你可以提供多个图片地址进行识别。

代码语言:txt
AI代码解释
复制
const { data: identifyResult } = await ci.idCardIdentify(['https://xxx.img.cn/xxx1.jpg', 'https://xxx.img.cn/xxx2.jpg'], 'qcloudtest', 0);

识别的结果直接透传万象优图接口返回值,具体数据结构可以参考:https://cloud.tencent.com/document/product/460/6895

普通印刷体识别

调用 ci.ocr 即可识别印刷体文字,接口参数与身份证识别类似,不过需要注意的是 OCR 接口仅支持对单个图片的识别,一次只能识别一张图片。

代码语言:txt
AI代码解释
复制
const data = await uploader(ctx.req);
const { data: ocrResult } = await ci.ocr(data.imgUrl, 'qcloudtest', 0);

识别的结果直接透传万象优图接口返回值,具体数据结构可以参考:https://cloud.tencent.com/document/product/460/9519

以上就是我们使用 SDK 如何快速开发身份证和图像识别,你也可以使用我们的 Demo 体验一下身份证识别和印刷体识别。

原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。

如有侵权,请联系 cloudcommunity@tencent.com 删除。

原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。

如有侵权,请联系 cloudcommunity@tencent.com 删除。

评论
登录后参与评论
暂无评论
推荐阅读
【数据分析 R语言实战】学习笔记 第三章 数据预处理 (上)
数据是分析的核心,在做数据分析之前,首先要对数据进行一定的处理。数据预处理指当录入或读取数据后,对数据进行必要的清理,包括查错纠错、异常观察值和无效样本的处理、转换、填补缺失值等,这是数据分析的重要前提,是描述统计、定性定量分析的基础。它的主要口的就是为后续的分析工作提供经过清理、质量较好的数据集。
Ai学习的老章
2019/04/10
8320
【数据分析 R语言实战】学习笔记 第三章 数据预处理 (上)
R语言第二章数据处理⑨缺失值判断和填充
=========================================
用户1359560
2019/03/04
2.8K0
R语言数据分析与挖掘(第一章):数据预处理(1)——缺失值处理
今天开始新的R教程:R语言数据分析与挖掘,本教程是在掌握R基础语法和基本绘图的情况下学习,没有R基础的可先在网上找相关教程进行学习。当然,本公众号(bioinfo_cloud)也有基础的语法教程,也可参考学习!后台回复:R语言基础教程,即可获取,或者通过本公众号的菜单栏自己寻找!
DoubleHelix
2019/09/25
4.5K0
R语言数据分析与挖掘(第一章):数据预处理(1)——缺失值处理
R语言数据分析与挖掘(第一章):数据预处理(2)——缺失值常用的处理方法
上一篇文章(缺失值处理)介绍了缺失值处理的判断方法,这一讲接着介绍缺失值常用的几种处理方法:删除法,替换法和插补法。不同的方法对应不同类型的缺失值。
DoubleHelix
2019/09/25
2.7K0
R语言数据分析与挖掘(第一章):数据预处理(2)——缺失值常用的处理方法
R语言之缺失值处理
在实际的数据分析中,缺失数据是常常遇到的。缺失值(missing values)通常是由于没有收集到数据或者没有录入数据。
timerring
2023/10/13
7700
R语言之缺失值处理
超详细的 R 语言插补缺失值教程来啦~
在分析数据集时,常常会碰到一些缺失值,如果缺失值的数量相对总体来说非常小,那么直接删除缺失值就是一种可行的方法。但某些情况下,直接删除缺失值可能会损失一些有用信息,此时就需要寻找方法来补全缺失值。今天小编给大家介绍一个用来处理缺失值的 R 包——MICE,本文为译文,原文链接[1]及参考文章[2]见文末。
庄闪闪
2021/12/02
16.6K2
超详细的 R 语言插补缺失值教程来啦~
R 数据质量分析①
数据质量分析是数据挖掘中数据准备的最重要一环,是数据处理的前体。数据质量分分析主要任务是识别脏数据。常见的脏数据包括:
用户1359560
2018/08/27
1.1K0
R  数据质量分析①
R语言:用R语言填补缺失的数据
如果缺失数据的量相对于数据集的大小非常小,那么为了不偏离分析而忽略缺少特征的少数样本可能是最好的策略,但是留下可用的数据点会剥夺某些数据的特征。
拓端
2020/08/17
1.1K0
R语言:用R语言填补缺失的数据
R in action读书笔记(20)第十五章 处理缺失数据的高级方法
(1) 完全随机缺失:若某变量的缺失数据与其他任何观测或未观测变量都不相关,则数据为完全随机缺失(MCAR)
Ai学习的老章
2019/04/10
7200
R in action读书笔记(20)第十五章  处理缺失数据的高级方法
R语言处理缺失数据的高级方法
主要用到VIM和mice包 [plain] view plain install.packages(c("VIM","mice")) 1.处理缺失值的步骤 步骤: (1)识别缺失数据; (2)检查导致数据缺失的原因; (3)删除包含缺失值的实例或用合理的数值代替(插补)缺失值 缺失值数据的分类: (1)完全随机缺失:若某变量的缺失数据与其他任何观测或未观测变量都不相关,则数据为完全随机缺失(MCAR)。 (2)随机缺失:若某变量上的缺失数据与其他观测变量相关,与它自己的未观测值不相关,则数据为随机缺失(
机器学习AI算法工程
2018/03/13
2.8K0
R语言处理缺失数据的高级方法
R语言实战(18)—处理缺失数据的高级方法
引言:上一章我们学习了一系列用于二分类的机器学习方法,包括逻辑回归分类方法、传统决策树、条件推断树、集成性的随机森林以及支持向量机。这一期我们就来学习如何处理缺失数据吧。
王诗翔呀
2020/07/06
3K0
R语言实战(18)—处理缺失数据的高级方法
R语言︱异常值检验、离群点分析、异常值处理
版权声明:博主原创文章,微信公众号:素质云笔记,转载请注明来源“素质云博客”,谢谢合作!! https://blog.csdn.net/sinat_26917383/article/details/51210793
悟乙己
2019/05/27
5.5K0
缺失值处理(r语言,mice包)
对缺失值的处理是数据预处理中的重要环节,造成数据缺失的原因有:数据丢失、存储故障和调查中拒绝透露相关信息。这里我们使用VIM包中的sleep数据集为样本,介绍缺失值处理的方法。sleep数据集纪录了62个哺乳动物的睡眠信息,包括体重,睡眠时长,做梦时长等。 缺失值分类 1,完全随机缺失(MCAR):缺失数据与其他变量无关。如果每个缺失变量都为MCAR,则完整样本可看为更大数据集的简单抽样。 2,随机缺失(CAR):缺失数据与其他观测变量相关,与本身变量不相关。比如体重小的动物Dream数据更容易缺失(较小动
三猫
2018/04/10
3.9K0
缺失值处理(r语言,mice包)
R用户要整点python--pandas进阶
1.缺失值2.处理缺失值练习:处理缺失值3.Apply4.tidy数据重置索引练习5.groupby练习:groupby
用户11414625
2024/12/20
1110
R用户要整点python--pandas进阶
102-R数据整理12-缺失值的高级处理:用mice进行多重填补
比如multivariate imputation by chained equations (MICE) 方法:
北野茶缸子
2022/04/05
8K1
102-R数据整理12-缺失值的高级处理:用mice进行多重填补
左手用R右手Python系列8——数据去重与缺失值处理
因为最近事情略多,最近更新的不勤了,但是学习的脚步不能停,一旦停下来,有些路就白走了,今天就盘点一下R语言和Python中常用于处理重复值、缺失值的函数。 在R语言中,涉及到数据去重与缺失值处理的函数一共有下面这么几个: unique distinct intersect union duplicated #布尔判断 is.na()/!is.na() #缺/非缺失值 na.rm=TRUE/FALSE #移除缺失值 na.omit(lc) #忽略缺失值 complete.
数据小磨坊
2018/04/11
2K0
左手用R右手Python系列8——数据去重与缺失值处理
R语言naniar包(新名词:阴影矩阵;Shadow matrices)
因为ggplot2不能处理缺失值,所以我们得到了一个warning message ,我们可以使用geom_miss_point() 去展示缺失数据。
用户1359560
2020/02/11
1.7K0
R语言naniar包(新名词:阴影矩阵;Shadow matrices)
R语言从入门到精通:Day5
在正文内容开始之前,我先给大家推荐一个文档https://google.github.io/styleguide/Rguide.xml
用户6317549
2019/09/24
1.7K0
R语言从入门到精通:Day5
R海拾遗_naniar
通常情况下,我们使用summary函数或者is.na对缺失值进行查看,但是当数据量增大的时候,就显得有点费力了,在visdat包中,有两个函数vis_dat和vis_miss用于可视化缺失查看
火星娃统计
2021/01/12
9820
R海拾遗_naniar
R语言_基本数据管理
#创建新变量并保存到原有数据框 #way 1 d = data.frame(x1=1:4,x2=2:5) d$sum = d$x1+d$x2 #way 2 d= transform(d,sum=x1+x2,meanx=(x1+x2)/2) #变量的重编码 d = within(d,{ x1Less2 = NA x1Less2[x1<=2] = "y" x1Less2[x1>2] = "n" }) #变量的重命名 fix(d) names(d)[c(3,4)] = c("sum
用户1147754
2019/05/27
6140
推荐阅读
相关推荐
【数据分析 R语言实战】学习笔记 第三章 数据预处理 (上)
更多 >
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档