首页 > web前端 > js教程 > 正文

Tesseract.js 多栏文本识别优化指南:活用页面分段模式 (PSM)

霞舞
发布: 2025-11-21 14:09:06
原创
505人浏览过

Tesseract.js 多栏文本识别优化指南:活用页面分段模式 (PSM)

本文旨在解决 tesseract.js 在处理多栏图像时文本混淆的问题。核心解决方案是调整 tesseract 的页面分段模式 (psm),从默认的 `psm_single_block` 切换到更适合多栏布局的模式,例如 `psm_auto_osd`。文章将详细解释 psm 的作用、常用模式及其在 tesseract.js 中的实现方法,以帮助开发者提高 ocr 准确性。

理解 Tesseract OCR 中的页面分段模式 (PSM)

在使用 Tesseract.js 进行光学字符识别 (OCR) 时,开发者常会遇到一个挑战:当图像包含多栏文本(如报纸、杂志或学术论文)时,识别出的文本可能会出现混淆,不同栏目的内容被错误地合并或交叉。这通常是因为 Tesseract 默认的页面处理方式未能正确识别图像的布局结构。

Tesseract 引擎通过“页面分段模式”(Page Segmentation Mode, 简称 PSM)来确定如何将图像分解成可识别的文本块。不同的 PSM 值指示 Tesseract 采用不同的策略来解析页面布局,这对于提高多栏文本的识别准确性至关关重要。

默认情况下,Tesseract.js 通常使用 PSM_SINGLE_BLOCK(模式 3),这意味着它假设图像中的所有文本都属于一个单一的、统一的文本块。对于单栏或结构简单的图像,这种模式表现良好。然而,对于包含多栏的复杂布局,PSM_SINGLE_BLOCK 无法区分不同的栏目,从而导致文本混合。

优化多栏文本识别:选择合适的 PSM

为了解决多栏文本混淆的问题,我们需要明确告诉 Tesseract 图像具有更复杂的布局。以下是一些推荐的 PSM 模式,特别适用于多栏文本识别:

  • PSM_AUTO_OSD (模式 1): 自动进行页面方向和脚本检测 (OSD),然后进行页面分段。这种模式对于不确定页面方向或布局的图像非常有用,它会尝试自动识别并处理多栏结构。在实践中,它常能有效分离左右两栏的文本。
  • PSM_AUTO_ONLY (模式 2): 仅进行自动页面分段,不进行 OSD。如果已经确定了页面方向,可以使用此模式。
  • PSM_AUTO (模式 3): 默认模式,与 PSM_SINGLE_BLOCK 行为类似,假设一个统一的文本块。
  • PSM_SINGLE_COLUMN (模式 4): 假设图像包含一个单一的文本列。这对于单列文档有效,但对于多列文档则不适用。
  • PSM_SPARSE_TEXT (模式 11): 将图像视为稀疏文本,即不规则分布的文本块。Tesseract 会寻找尽可能多的文本,而不假设任何特定的页面结构。这对于提取少量散布在图像中的文本很有用。
  • PSM_SPARSE_TEXT_OSD (模式 12): 与 PSM_SPARSE_TEXT 类似,但会进行 OSD。

对于多栏图像,最推荐的起点是 PSM_AUTO_OSD。它能够智能地检测页面布局并尝试将其分解为逻辑单元。

在 Tesseract.js 中实现 PSM 配置

在 Tesseract.js 中,可以通过 worker.setParameters() 方法或直接在 Tesseract.recognize() 函数的第三个参数(一个选项对象)中设置 PSM。PSM 值通过 tessedit_pageseg_mode 参数来指定。

落笔AI
落笔AI

AI写作,AI写网文、AI写长篇小说、短篇小说

落笔AI 41
查看详情 落笔AI

以下是如何修改您提供的 React 组件代码,以引入 PSM 配置:

import React, { useState, useEffect } from "react";
import Tesseract from "tesseract.js";
import ClipboardJS from "clipboard";
import Select from "react-select";

// ... (languageOptions 和其他组件代码保持不变) ...

const ImagesToText = () => {
  const [isLoading, setIsLoading] = useState(false);
  const [images, setImages] = useState([]);
  const [texts, setTexts] = useState([]);
  const [progress, setProgress] = useState(0);
  const [currentImageIndex, setCurrentImageIndex] = useState(0);
  const [errorMessage, setErrorMessage] = useState("");
  const [errorLanguagesMessage, setErrorLanguagesMessage] = useState("");
  const [selectedLanguages, setSelectedLanguages] = useState([]);
  // 新增状态用于存储选定的PSM模式
  const [selectedPsm, setSelectedPsm] = useState({ value: 1, label: "PSM_AUTO_OSD" }); // 默认选择 PSM_AUTO_OSD

  // PSM 选项
  const psmOptions = [
    { value: 0, label: "OSD_ONLY" },
    { value: 1, label: "PSM_AUTO_OSD" },
    { value: 2, label: "PSM_AUTO_ONLY" },
    { value: 3, label: "PSM_AUTO (Default)" },
    { value: 4, label: "PSM_SINGLE_COLUMN" },
    { value: 5, label: "PSM_SINGLE_BLOCK_VERT_TEXT" },
    { value: 6, label: "PSM_SINGLE_BLOCK" },
    { value: 7, label: "PSM_SINGLE_LINE" },
    { value: 8, label: "PSM_SINGLE_WORD" },
    { value: 9, label: "PSM_CIRCLE_WORD" },
    { value: 10, label: "PSM_SINGLE_CHAR" },
    { value: 11, label: "PSM_SPARSE_TEXT" },
    { value: 12, label: "PSM_SPARSE_TEXT_OSD" },
    { value: 13, label: "PSM_RAW_LINE" },
  ];

  const handleImageUpload = (e) => {
    const selectedImages = Array.from(e.target.files);
    setImages(selectedImages);
    setErrorMessage("");
  };

  const handleCopyText = () => {
    const textWithSoftLineBreaks = texts.join("\n");
    navigator.clipboard.writeText(textWithSoftLineBreaks);
  };

  const handleDownloadText = () => {
    const element = document.createElement("a");
    const textBlob = new Blob([texts.join("\n")], { type: "text/plain" });
    element.href = URL.createObjectURL(textBlob);
    element.download = "converted_text.txt";
    document.body.appendChild(element);
    element.click();
    document.body.removeChild(element);
  };

  useEffect(() => {
    const clipboard = new ClipboardJS(".copy-button");
    clipboard.on("success", (e) => {
      e.clearSelection();
    });
    return () => {
      clipboard.destroy();
    };
  }, [texts]);

  const handleReset = () => {
    setIsLoading(false);
    setImages([]);
    setTexts([]);
    setProgress(0);
    setCurrentImageIndex(0);
    setErrorMessage("");
    setErrorLanguagesMessage("");
    setSelectedPsm({ value: 1, label: "PSM_AUTO_OSD" }); // 重置PSM
    window.location.reload();
  };

  const handleSubmit = async () => {
    if (images.length === 0) {
      setErrorMessage("Select an image to convert.");
      return;
    }

    if (selectedLanguages.length === 0) {
      setErrorLanguagesMessage("Select any language.");
      return;
    }

    setIsLoading(true);
    setProgress(0);
    setTexts([]);
    setCurrentImageIndex(0);
    setErrorMessage("");
    setErrorLanguagesMessage("");

    const totalImages = images.length;
    let processedImages = 0;

    if (Array.isArray(images)) {
      for (const [index, image] of images?.entries()) {
        setCurrentImageIndex(index + 1);

        try {
          const result = await Tesseract.recognize(
            image,
            selectedLanguages.map((lang) => lang.value).join("+"),
            {
              // 在这里设置页面分段模式 (PSM)
              tessedit_pageseg_mode: selectedPsm.value,
            }
          );
          const paragraphs = result.data.text.split("\n\n");
          const formattedParagraphs = paragraphs.map((paragraph) => {
            const sentences = paragraph.split(/[.|?]\s/);
            return sentences.join(" ");
          });
          setTexts((prevTexts) => [...prevTexts, ...formattedParagraphs]);
        } catch (err) {
          console.error(err);
          setTexts([]);
          setProgress(0);
          setIsLoading(false);
          return;
        } finally {
          processedImages++;
          const currentProgress = (processedImages / totalImages) * 100;
          setProgress(currentProgress);
        }
      }
    } else {
      console.error("Images is not an array.");
    }

    setIsLoading(false);
  };

  return (
    <div className="container" style={{ height: "97vh" }}>
      <div className="row h-100 mt-3">
        <div className="col-md-3 left-bar sticky-top border 1 ms-2">
          <h1 className="center py-3 mc-5 underline">Images to text (ocr)</h1>
          <input
            type="file"
            onChange={handleImageUpload}
            className="form-control mt-5 mb-2"
            multiple
            accept="image/*"
          />
          {errorMessage && <p className="text-danger">{errorMessage}</p>}
          <Select
            isMulti
            options={languageOptions}
            value={selectedLanguages}
            onChange={setSelectedLanguages}
            placeholder="Select languages..."
          />
          {errorLanguagesMessage && (
            <p className="text-danger">{errorLanguagesMessage}</p>
          )}

          {/* 新增 PSM 选择器 */}
          <Select
            options={psmOptions}
            value={selectedPsm}
            onChange={setSelectedPsm}
            placeholder="Select Page Segmentation Mode..."
            className="mt-3"
          />

          <input
            type="button"
            onClick={handleSubmit}
            className="btn btn-outline-success mt-3"
            value="Start Convert"
          />
          {texts.length > 0 && (
            <button
              className="btn btn-primary mt-3 ms-1"
              onClick={handleDownloadText}
            >
              Download Text
            </button>
          )}
          <div className="mt-1">
            <button className=" btn ml-2 btn-danger" onClick={handleReset}>
              Reset
            </button>

            <button
              className="mt-3 btn btn-secondary d-inline ms-1 "
              onClick={handleCopyText}
            >
              Copy Text
            </button>
          </div>
        </div>
        <div className="col-md-8 right-bar border 1 ms-2">
          <h4 className="mt-5 text-center">Select an Image to convert (ocr)</h4>
          {isLoading && (
            <div className="text-center">
              <div className="text-center">
                <progress
                  className="custom-progress-bar"
                  value={progress}
                  max="100"
                ></progress>
                <p className="text-center py-0 my-0">
                  Converting...: {progress.toFixed(0)}% ({currentImageIndex} of{" "}
                  {images.length})
                </p>
              </div>
            </div>
          )}
          {!isLoading && texts.length > 0 && (
            <div>
              <div className="form-control box-p w-100 mt-5 m-none">
                {texts.map((paragraph, index) => (
                  <p key={index}>{paragraph}</p>
                ))}
              </div>
            </div>
          )}
        </div>
      </div>
    </div>
  );
};

export default ImagesToText;
登录后复制

代码修改说明:

  1. 新增 psmOptions 数组和 selectedPsm 状态: 用于管理和显示可用的 PSM 模式及其当前选择。
  2. 在 Tesseract.recognize() 中添加 tessedit_pageseg_mode 参数:
    const result = await Tesseract.recognize(
      image,
      selectedLanguages.map((lang) => lang.value).join("+"),
      {
        tessedit_pageseg_mode: selectedPsm.value, // 关键:设置 PSM
      }
    );
    登录后复制

    通过将 tessedit_pageseg_mode 设置为 selectedPsm.value,我们允许用户动态选择最适合其图像的 PSM。

  3. 在 UI 中添加 PSM 选择器: 在语言选择器下方添加一个 Select 组件,让用户可以选择不同的 PSM 模式。

注意事项与最佳实践

  • 实验是关键: 不同的多栏图像(如文本密度、字体、栏间距等)可能对不同的 PSM 模式有不同的响应。始终建议对您的特定数据集进行实验,以找到最佳的 PSM。
  • 图像预处理: 在进行 OCR 之前,对图像进行预处理可以显著提高识别准确性。这包括:
    • 二值化: 将彩色或灰度图像转换为纯黑白图像。
    • 去噪: 移除图像中的杂点。
    • 倾斜校正 (Deskewing): 纠正图像的轻微倾斜。
    • 裁剪: 移除图像边缘的无关区域。
  • 语言包: 确保您加载了正确的语言包。对于混合语言的文档,可以同时加载多个语言包,例如 eng+chi_sim。
  • Tesseract 版本: 随着 Tesseract 引擎的不断发展,新版本通常会带来更好的识别能力和更智能的页面分析。确保使用最新稳定版本的 Tesseract.js。
  • 性能考量: 某些 PSM 模式(如 PSM_AUTO_OSD)可能需要更多的计算资源和时间来分析页面布局,尤其是在处理高分辨率图像时。在对性能有严格要求的场景中,需要进行权衡。

总结

Tesseract.js 在处理多栏图像时,通过合理配置页面分段模式 (PSM) 可以有效解决文本混淆的问题。将默认的 PSM_SINGLE_BLOCK 切换到更智能的模式,如 PSM_AUTO_OSD,能够显著提高 OCR 的准确性和文本结构的还原度。开发者应结合图像特点,积极尝试不同的 PSM 模式,并辅以必要的图像预处理,以达到最佳的识别效果。

以上就是Tesseract.js 多栏文本识别优化指南:活用页面分段模式 (PSM)的详细内容,更多请关注php中文网其它相关文章!

最佳 Windows 性能的顶级免费优化软件
最佳 Windows 性能的顶级免费优化软件

每个人都需要一台速度更快、更稳定的 PC。随着时间的推移,垃圾文件、旧注册表数据和不必要的后台进程会占用资源并降低性能。幸运的是,许多工具可以让 Windows 保持平稳运行。

下载
来源:php中文网
本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系admin@php.cn
最新问题
开源免费商场系统广告
热门教程
更多>
最新下载
更多>
网站特效
网站源码
网站素材
前端模板
关于我们 免责申明 举报中心 意见反馈 讲师合作 广告合作 最新更新 English
php中文网:公益在线php培训,帮助PHP学习者快速成长!
关注服务号 技术交流群
PHP中文网订阅号
每天精选资源文章推送
PHP中文网APP
随时随地碎片化学习

Copyright 2014-2025 https://www.php.cn/ All Rights Reserved | php.cn | 湘ICP备2023035733号