
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。
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。
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:
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,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。
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;代码修改说明:
const result = await Tesseract.recognize(
image,
selectedLanguages.map((lang) => lang.value).join("+"),
{
tessedit_pageseg_mode: selectedPsm.value, // 关键:设置 PSM
}
);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。
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!
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。
Copyright 2014-2025 https://www.php.cn/ All Rights Reserved | php.cn | 湘ICP备2023035733号