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。
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 (
Images to text (ocr)
{errorMessage && {errorMessage}
}
{errorLanguagesMessage && (
{errorLanguagesMessage}
)}
{/* 新增 PSM 选择器 */}
{texts.length > 0 && (
)}
Select an Image to convert (ocr)
{isLoading && (
Converting...: {progress.toFixed(0)}% ({currentImageIndex} of{" "}
{images.length})
)}
{!isLoading && texts.length > 0 && (
{texts.map((paragraph, index) => (
{paragraph}
))}
)}
);
};
export default ImagesToText;代码修改说明：
- 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。
-
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 } );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。
- 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。
