Android-এ Firebase Auth ও Functions ব্যবহার করে Cloud Vision-এর মাধ্যমে নিরাপদে ছবিতে থাকা টেক্সট শনাক্ত করা

আপনার অ্যাপ থেকে Google Cloud API কল করার জন্য, আপনাকে একটি মধ্যবর্তী REST API তৈরি করতে হবে যা অনুমোদন ম্যানেজ করে এবং API কী-এর মতো গোপন মান সুরক্ষিত করে। তারপরে, এই মধ্যবর্তী পরিষেবার সাথে যাচাইকরণ ও যোগাযোগ করার জন্য আপনাকে মোবাইল অ্যাপে কোড লিখতে হবে।

Firebase যাচাইকরণ ও ফাংশন ব্যবহার করে এই REST API তৈরি করা যায়। এটি আপনাকে Google Cloud API-তে ম্যানেজ করা, সার্ভারলেস গেটওয়ে দেয় যা যাচাইকরণ ম্যানেজ করে এবং আগে থেকে তৈরি SDK-এর সাহায্যে আপনার মোবাইল অ্যাপ থেকে কল করা যায়।

এই গাইড থেকে আপনি জানতে পারবেন যে কীভাবে এই টেকনিক ব্যবহার করে আপনার অ্যাপ থেকে Cloud Vision API কল করতে হয়। এই পদ্ধতি আপনার Cloud প্রোজেক্টের মাধ্যমে সবকটি যাচাই করা ব্যবহারকারীকে Cloud Vision-এর বিল করা পরিষেবা অ্যাক্সেস করতে দেবে, তাই এগিয়ে যাওয়ার আগে এই যাচাইকরণ পদ্ধতি আপনার ব্যবহারের ক্ষেত্রে যথেষ্ট কিনা তা বিবেচনা করে দেখুন।

শুরু করার আগে

আপনার প্রোজেক্ট কনফিগার করা

  1. আপনি আগে থেকে না করে থাকলে, আপনার Android প্রোজেক্টে Firebase যোগ করুন।

  2. আপনি যদি এখনও নিজের প্রোজেক্টের জন্য ক্লাউড-ভিত্তিক API চালু না করে থাকেন, তাহলে এখন করে নিন:

    1. Firebase কনসোলে Firebase ML API পৃষ্ঠা খুলুন।

    2. আপনি যদি আগে থেকেই নিজের প্রোজেক্টকে পে-অ্যাজ-ইউ-গো Blaze প্রাইসিং প্ল্যানে আপগ্রেড না করে থাকেন, তাহলে তা করতে আপগ্রেড করুন বিকল্পে ক্লিক করুন। (আপনার প্রোজেক্ট Blaze প্রাইসিং প্ল্যানে না থাকলে তবেই আপনাকে আপগ্রেড করার জন্য প্রম্পট করা হবে।)

      শুধুমাত্র Blaze প্রাইসিং প্ল্যানের প্রোজেক্টই ক্লাউড-ভিত্তিক API ব্যবহার করতে পারে।

    3. ক্লাউড-ভিত্তিক API আগে থেকেই চালু করা না থাকলে, ক্লাউড-ভিত্তিক API চালু করুন বিকল্পে ক্লিক করুন।
  3. Cloud Vision API-তে অ্যাক্সেস বন্ধ করতে আপনার আগে থেকে থাকা Firebase API কী কনফিগার করুন:
    1. Cloud Console-এর শংসাপত্র পৃষ্ঠা খুলুন।
    2. তালিকায় থাকা প্রতিটি API কী-এর জন্য, এডিটিং ভিউ খুলুন এবং 'কী বিধিনিষেধ' বিভাগে, Cloud Vision API বাদ দিয়ে উপলভ্য সব API তালিকায় যোগ করুন।

কল করা যায় এমন ফাংশন ডেপ্লয় করা

এরপরে, আপনার অ্যাপ ও Cloud Vision API-এর মধ্যে ব্রিজ তৈরি করতে যে ক্লাউড ফাংশন ব্যবহার করবেন সেটি ডিপ্লয় করুন। functions-samples রিপোজিটরিতে একটি উদাহরণ আছে যা আপনি ব্যবহার করতে পারেন।

ডিফল্ট হিসেবে, এই ফাংশনের মাধ্যমে Cloud Vision API অ্যাক্সেস করলে, আপনার অ্যাপের শুধুমাত্র যাচাই করা ব্যবহারকারীরাই Cloud Vision API অ্যাক্সেস করতে পারবেন। বিভিন্ন প্রয়োজনীয়তা অনুযায়ী আপনি ফাংশন পরিবর্তন করতে পারবেন।

ফাংশন ডেপ্লয় করতে:

  1. functions-samples repo ক্লোন বা ডাউনলোড করুন এবং Node-1st-gen/vision-annotate-image ডিরেক্টরিতে পরিবর্তন করুন: 
    git clone https://github.com/firebase/functions-samples
cd Node-1st-gen/vision-annotate-image
  2. ডিপেন্ডেন্সি ইনস্টল করুন: 
    cd functions
npm install
cd ..
  3. আপনার Firebase CLI না থাকলে, এটি ইনস্টল করুন।
  4. vision-annotate-image ডিরেক্টরিতে Firebase প্রোজেক্ট শুরু করুন। প্রম্পট করা হলে, তালিকা থেকে আপনার প্রোজেক্ট বেছে নিন। 
    firebase init
  5. ফাংশন ডেপ্লয় করুন: 
    firebase deploy --only functions:annotateImage

আপনার অ্যাপে Firebase Auth যোগ করা

উপরে ডিপ্লয় করা কল করা যায় এমন ফাংশন আপনার অ্যাপের যাচাই না করা ব্যবহারকারীদের থেকে আসা যেকোনও অনুরোধ বাতিল করে দেবে। আপনি যদি এটি আগে না করে থাকেন, তাহলে আপনাকে আপনার অ্যাপে Firebase Auth যোগ করতে হবে।

আপনার অ্যাপে প্রয়োজনীয় ডিপেন্ডেন্সি যোগ করুন

  • আপনার মডিউল (অ্যাপ-লেভেল) Gradle ফাইলে Firebase-এর জন্য Cloud Functions (ক্লায়েন্ট) এবং gson Android লাইব্রেরির ডিপেন্ডেন্সি যোগ করুন (সাধারণত <project>/<app-module>/build.gradle.kts অথবা <project>/<app-module>/build.gradle): 
    implementation("com.google.firebase:firebase-functions:23.0.0")
implementation("com.google.code.gson:gson:2.8.6")

    • এখন আপনি ছবির টেক্সট শনাক্ত করা শুরু করতে পারবেন।

    ১. ইনপুট ছবি প্রস্তুত করা

    Cloud Vision-কে কল করার জন্য, ছবিটিকে অবশ্যই base64-এনকোডেড স্ট্রিং হিসেবে ফর্ম্যাট করতে হবে। সেভ করা ফাইল URI থেকে কোনও ছবি প্রসেস করতে:
    1. Bitmap অবজেক্ট হিসেবে ছবি পান:

      Kotlin

      var bitmap: Bitmap = MediaStore.Images.Media.getBitmap(contentResolver, uri)

      Java

      Bitmap bitmap = MediaStore.Images.Media.getBitmap(getContentResolver(), uri);
    2. ব্যান্ডউইথ বাঁচাতে, বিকল্প হিসেবে ছবিটির সাইজ কমান। Cloud Vision-এর সাজেস্ট করা ছবির সাইজ দেখুন।

      Kotlin

      private fun scaleBitmapDown(bitmap: Bitmap, maxDimension: Int): Bitmap {
    val originalWidth = bitmap.width
    val originalHeight = bitmap.height
    var resizedWidth = maxDimension
    var resizedHeight = maxDimension
    if (originalHeight > originalWidth) {
        resizedHeight = maxDimension
        resizedWidth =
            (resizedHeight * originalWidth.toFloat() / originalHeight.toFloat()).toInt()
    } else if (originalWidth > originalHeight) {
        resizedWidth = maxDimension
        resizedHeight =
            (resizedWidth * originalHeight.toFloat() / originalWidth.toFloat()).toInt()
    } else if (originalHeight == originalWidth) {
        resizedHeight = maxDimension
        resizedWidth = maxDimension
    }
    return Bitmap.createScaledBitmap(bitmap, resizedWidth, resizedHeight, false)
}

      Java

      private Bitmap scaleBitmapDown(Bitmap bitmap, int maxDimension) {
    int originalWidth = bitmap.getWidth();
    int originalHeight = bitmap.getHeight();
    int resizedWidth = maxDimension;
    int resizedHeight = maxDimension;

    if (originalHeight > originalWidth) {
        resizedHeight = maxDimension;
        resizedWidth = (int) (resizedHeight * (float) originalWidth / (float) originalHeight);
    } else if (originalWidth > originalHeight) {
        resizedWidth = maxDimension;
        resizedHeight = (int) (resizedWidth * (float) originalHeight / (float) originalWidth);
    } else if (originalHeight == originalWidth) {
        resizedHeight = maxDimension;
        resizedWidth = maxDimension;
    }
    return Bitmap.createScaledBitmap(bitmap, resizedWidth, resizedHeight, false);
}

      Kotlin

      // Scale down bitmap size
bitmap = scaleBitmapDown(bitmap, 640)

      Java

      // Scale down bitmap size
bitmap = scaleBitmapDown(bitmap, 640);
    3. বিটম্যাপ অবজেক্টকে base64 এনকোডেড স্ট্রিংয়ে কনভার্ট করুন:

      Kotlin

      // Convert bitmap to base64 encoded string
val byteArrayOutputStream = ByteArrayOutputStream()
bitmap.compress(Bitmap.CompressFormat.JPEG, 100, byteArrayOutputStream)
val imageBytes: ByteArray = byteArrayOutputStream.toByteArray()
val base64encoded = Base64.encodeToString(imageBytes, Base64.NO_WRAP)

      Java

      // Convert bitmap to base64 encoded string
ByteArrayOutputStream byteArrayOutputStream = new ByteArrayOutputStream();
bitmap.compress(Bitmap.CompressFormat.JPEG, 100, byteArrayOutputStream);
byte[] imageBytes = byteArrayOutputStream.toByteArray();
String base64encoded = Base64.encodeToString(imageBytes, Base64.NO_WRAP);
      4. Bitmap অবজেক্টের মাধ্যমে দেখানো ছবিটিকে সোজা থাকতে হবে, যাতে আর কোনও অতিরিক্ত ঘোরানোর প্রয়োজন না হয়।

    ২. টেক্সট শনাক্ত করতে কল করা যায় এমন ফাংশন ইনভোক করা

    কোনও ছবিতে টেক্সট শনাক্ত করতে, কল করা যায় এমন ফাংশন ইনভোক করুন এবং একটি JSON Cloud Vision অনুরোধ পাস করুন।

    1. প্রথমে, Cloud Functions-এর একটি ইনস্ট্যান্স ইনিশিয়ালাইজ করুন:

      Kotlin 

      private lateinit var functions: FirebaseFunctions
// ...
functions = Firebase.functions

      Java 

      private FirebaseFunctions mFunctions;
// ...
mFunctions = FirebaseFunctions.getInstance();

    2. ফাংশন ইনভোক করার একটি পদ্ধতি নির্ধারণ করুন:

      Kotlin 

      private fun annotateImage(requestJson: String): Task<JsonElement> {
    return functions
        .getHttpsCallable("annotateImage")
        .call(requestJson)
        .continueWith { task ->
            // This continuation runs on either success or failure, but if the task
            // has failed then result will throw an Exception which will be
            // propagated down.
            val result = task.result?.data
            JsonParser.parseString(Gson().toJson(result))
        }
}

      Java 

      private Task<JsonElement> annotateImage(String requestJson) {
    return mFunctions
            .getHttpsCallable("annotateImage")
            .call(requestJson)
            .continueWith(new Continuation<HttpsCallableResult, JsonElement>() {
                @Override
                public JsonElement then(@NonNull Task<HttpsCallableResult> task) {
                    // This continuation runs on either success or failure, but if the task
                    // has failed then getResult() will throw an Exception which will be
                    // propagated down.
                    return JsonParser.parseString(new Gson().toJson(task.getResult().getData()));
                }
            });
}

    3. JSON অনুরোধ তৈরি করুন। Cloud Vision API-তে টেক্সট শনাক্তকরণের দুটি ধরন কাজ করে: TEXT_DETECTION ও DOCUMENT_TEXT_DETECTION। দুটি ব্যবহারের ক্ষেত্রে পার্থক্য জানতে Cloud Vision OCR ডকুমেন্ট দেখুন।

      Kotlin 

      // Create json request to cloud vision
val request = JsonObject()
// Add image to request
val image = JsonObject()
image.add("content", JsonPrimitive(base64encoded))
request.add("image", image)
// Add features to the request
val feature = JsonObject()
feature.add("type", JsonPrimitive("TEXT_DETECTION"))
// Alternatively, for DOCUMENT_TEXT_DETECTION:
// feature.add("type", JsonPrimitive("DOCUMENT_TEXT_DETECTION"))
val features = JsonArray()
features.add(feature)
request.add("features", features)

      Java 

      // Create json request to cloud vision
JsonObject request = new JsonObject();
// Add image to request
JsonObject image = new JsonObject();
image.add("content", new JsonPrimitive(base64encoded));
request.add("image", image);
//Add features to the request
JsonObject feature = new JsonObject();
feature.add("type", new JsonPrimitive("TEXT_DETECTION"));
// Alternatively, for DOCUMENT_TEXT_DETECTION:
//feature.add("type", new JsonPrimitive("DOCUMENT_TEXT_DETECTION"));
JsonArray features = new JsonArray();
features.add(feature);
request.add("features", features);

      বিকল্প হিসেবে, ভাষা শনাক্তকরণে সাহায্য করতে ভাষার ব্যাপারে ইঙ্গিত দিন (যেসব ভাষায় কাজ করে দেখুন):

      Kotlin 

      val imageContext = JsonObject()
val languageHints = JsonArray()
languageHints.add("en")
imageContext.add("languageHints", languageHints)
request.add("imageContext", imageContext)

      Java 

      JsonObject imageContext = new JsonObject();
JsonArray languageHints = new JsonArray();
languageHints.add("en");
imageContext.add("languageHints", languageHints);
request.add("imageContext", imageContext);

    4. সবশেষে, ফাংশনটি ইনভোক করুন:

      Kotlin 

      annotateImage(request.toString())
    .addOnCompleteListener { task ->
        if (!task.isSuccessful) {
            // Task failed with an exception
            // ...
        } else {
            // Task completed successfully
            // ...
        }
    }

      Java 

      annotateImage(request.toString())
        .addOnCompleteListener(new OnCompleteListener<JsonElement>() {
            @Override
            public void onComplete(@NonNull Task<JsonElement> task) {
                if (!task.isSuccessful()) {
                    // Task failed with an exception
                    // ...
                } else {
                    // Task completed successfully
                    // ...
                }
            }
        });

    ৩. শনাক্ত করা টেক্সটের ব্লক থেকে টেক্সট এক্সট্র্যাক্ট করা

    টেক্সট শনাক্তকরণ অপারেশন সফল হলে, টাস্কের ফলাফলে BatchAnnotateImagesResponse -এর JSON উত্তর রিটার্ন করা হবে। টেক্সট অ্যানোটেশন fullTextAnnotation অবজেক্টে পাওয়া যাবে।

    আপনি text ফিল্ডে শনাক্ত করা টেক্সটকে স্ট্রিং হিসেবে পেতে পারেন। যেমন:

    Kotlin 

    val annotation = task.result!!.asJsonArray[0].asJsonObject["fullTextAnnotation"].asJsonObject
System.out.format("%nComplete annotation:")
System.out.format("%n%s", annotation["text"].asString)

    Java 

    JsonObject annotation = task.getResult().getAsJsonArray().get(0).getAsJsonObject().get("fullTextAnnotation").getAsJsonObject();
System.out.format("%nComplete annotation:%n");
System.out.format("%s%n", annotation.get("text").getAsString());

    এছাড়াও, আপনি ছবির নির্দিষ্ট অঞ্চলের তথ্য পেতে পারেন। প্রতিটি block, paragraph, word ও symbol-এর জন্য, আপনি সেই অঞ্চলে শনাক্ত করা টেক্সট ও সেই অঞ্চলের বাউন্ডিং কোঅর্ডিনেট পেতে পারেন। যেমন:

    Kotlin 

    for (page in annotation["pages"].asJsonArray) {
    var pageText = ""
    for (block in page.asJsonObject["blocks"].asJsonArray) {
        var blockText = ""
        for (para in block.asJsonObject["paragraphs"].asJsonArray) {
            var paraText = ""
            for (word in para.asJsonObject["words"].asJsonArray) {
                var wordText = ""
                for (symbol in word.asJsonObject["symbols"].asJsonArray) {
                    wordText += symbol.asJsonObject["text"].asString
                    System.out.format(
                        "Symbol text: %s (confidence: %f)%n",
                        symbol.asJsonObject["text"].asString,
                        symbol.asJsonObject["confidence"].asFloat,
                    )
                }
                System.out.format(
                    "Word text: %s (confidence: %f)%n%n",
                    wordText,
                    word.asJsonObject["confidence"].asFloat,
                )
                System.out.format("Word bounding box: %s%n", word.asJsonObject["boundingBox"])
                paraText = String.format("%s%s ", paraText, wordText)
            }
            System.out.format("%nParagraph: %n%s%n", paraText)
            System.out.format("Paragraph bounding box: %s%n", para.asJsonObject["boundingBox"])
            System.out.format("Paragraph Confidence: %f%n", para.asJsonObject["confidence"].asFloat)
            blockText += paraText
        }
        pageText += blockText
    }
}

    Java 

    for (JsonElement page : annotation.get("pages").getAsJsonArray()) {
    StringBuilder pageText = new StringBuilder();
    for (JsonElement block : page.getAsJsonObject().get("blocks").getAsJsonArray()) {
        StringBuilder blockText = new StringBuilder();
        for (JsonElement para : block.getAsJsonObject().get("paragraphs").getAsJsonArray()) {
            StringBuilder paraText = new StringBuilder();
            for (JsonElement word : para.getAsJsonObject().get("words").getAsJsonArray()) {
                StringBuilder wordText = new StringBuilder();
                for (JsonElement symbol : word.getAsJsonObject().get("symbols").getAsJsonArray()) {
                    wordText.append(symbol.getAsJsonObject().get("text").getAsString());
                    System.out.format("Symbol text: %s (confidence: %f)%n", symbol.getAsJsonObject().get("text").getAsString(), symbol.getAsJsonObject().get("confidence").getAsFloat());
                }
                System.out.format("Word text: %s (confidence: %f)%n%n", wordText.toString(), word.getAsJsonObject().get("confidence").getAsFloat());
                System.out.format("Word bounding box: %s%n", word.getAsJsonObject().get("boundingBox"));
                paraText.append(wordText.toString()).append(" ");
            }
            System.out.format("%nParagraph:%n%s%n", paraText);
            System.out.format("Paragraph bounding box: %s%n", para.getAsJsonObject().get("boundingBox"));
            System.out.format("Paragraph Confidence: %f%n", para.getAsJsonObject().get("confidence").getAsFloat());
            blockText.append(paraText);
        }
        pageText.append(blockText);
    }
}