
本文旨在解决使用 tesseract.js 进行多列图像文本识别时,文本内容混淆的问题。通过调整 tesseract.js 的页面分段模式(psm),特别是采用 `psm_auto_osd` 模式,可以有效改善 ocr 结果的准确性和列分离效果。教程将详细介绍如何配置 psm 参数,并提供 react.js 示例代码,帮助开发者优化多列文档的文本提取流程。
在使用 Tesseract.js 进行光学字符识别(OCR)时,处理包含多列文本的图像是一个常见的挑战。默认情况下,Tesseract 引擎可能将整个图像视为一个单一的文本块,导致不同列的文本内容混淆,输出结果难以阅读和处理。解决这一问题的关键在于理解并正确配置 Tesseract 的页面分段模式(Page Segmentation Mode, 简称 PSM)。
页面分段模式(PSM)是 Tesseract OCR 引擎的一个核心配置参数,它指导引擎如何分析图像的布局,将其分解为文本块、行和单词。选择合适的 PSM 对于获得高质量的 OCR 结果至关重要,尤其是在处理复杂布局的文档时。
Tesseract 提供了多种 PSM 模式,每种模式都适用于不同的文档结构:
对于多列图像,PSM_AUTO_OSD (PSM=1) 通常是最佳的起始点,因为它能够智能地识别并分离不同的文本区域。
在 Tesseract.js 中,可以通过 recognize 方法的第三个参数(一个 options 对象)来设置 PSM。关键的选项是 tessedit_pageseg_mode,其值对应于上述的 PSM 数字。
要解决多列文本混淆问题,我们需要将 tessedit_pageseg_mode 设置为 1 (即 PSM_AUTO_OSD)。
以下是修改后的 React.js 组件代码片段,展示了如何在 handleSubmit 函数中应用此配置:
import React, { useState, useEffect } from "react";
import Tesseract from "tesseract.js";
import ClipboardJS from "clipboard";
import Select from "react-select";
const languageOptions = [
// ... (语言选项保持不变)
{ value: "eng", label: "English" },
{ value: "chi_sim", label: "Chinese - Simplified" },
// ... 其他语言
];
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([]);
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("");
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 {
// 核心修改:在 recognize 方法中添加 options 对象,设置 tessedit_pageseg_mode
const result = await Tesseract.recognize(
image,
selectedLanguages.map((lang) => lang.value).join("+"),
{
// 启用自动页面方向和脚本检测,并尝试识别文本块
// PSM_AUTO_OSD 对应的数值是 1
tessedit_pageseg_mode: 1
}
);
// Tesseract 识别结果中的文本通常会根据其内部逻辑进行分段。
// 对于多列文档,PSM_AUTO_OSD 模式会尝试先识别列,然后按列顺序输出文本。
// 这里的文本后处理逻辑可以根据实际需求调整,例如:
// 如果 PSM_AUTO_OSD 成功将列分开,result.data.text 可能会按列顺序排列。
// 原始代码中的分段逻辑:
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);
// 发生错误时,清除文本并立即停止转换过程
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>
)}
<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;通过在 Tesseract.js 中正确配置页面分段模式,特别是使用 PSM_AUTO_OSD (PSM=1),可以有效解决多列图像文本识别中的混淆问题,显著提高 OCR 结果的准确性和可读性。结合高质量的图像输入、适当的预处理和灵活的 PSM 模式选择,开发者可以构建出更加健壮和高效的 OCR 解决方案。在实际应用中,建议对不同 PSM 模式进行测试,以确定最符合特定文档类型和质量的配置。
以上就是Tesseract.js 多列图像文本识别优化:利用页面分段模式解决文本混淆的详细内容,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