首页 > web前端 > js教程 > 正文

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

DDD
发布: 2025-11-21 15:27:25
原创
268人浏览过

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

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)。

理解页面分段模式 (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:

  • PSM_SINGLE_BLOCK (PSM=3): 这是 Tesseract.js 的默认模式。它假设图像包含一个统一的文本块。对于单列、排版简单的文档,此模式通常效果良好。然而,当图像包含多列文本时,它会将所有列的文本视为一个连续的块,导致文本混淆。
  • PSM_AUTO_OSD (PSM=1): 此模式会自动检测页面的方向和脚本(OSD),然后尝试识别图像中的文本块。它通常能更好地处理多列和复杂布局,因为它会尝试将页面分解为逻辑上的文本区域,从而有助于区分不同的列。
  • PSM_AUTO (PSM=0): 自动页面分割,但不进行 OSD。
  • PSM_SINGLE_COLUMN (PSM=4): 假设图像是单列文本。
  • PSM_SPARSE_TEXT (PSM=11): 寻找稀疏文本,适用于没有明确布局的文本区域。

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 中配置 PSM

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。

Alkaid.art
Alkaid.art

专门为Phtoshop打造的AIGC绘画插件

Alkaid.art 153
查看详情 Alkaid.art

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;
登录后复制

注意事项与最佳实践

  1. 图像质量是基础: 无论选择何种 PSM,OCR 效果都与输入图像的质量密切相关。高分辨率、清晰、对比度适中、无倾斜、无噪声的图像将显著提高识别准确率。
  2. 图像预处理: 对于扫描件或质量不佳的图像,在进行 OCR 之前进行预处理非常重要。常见的预处理技术包括:
    • 灰度化与二值化: 将彩色图像转换为灰度图,再转换为黑白二值图,有助于突出文本。
    • 去噪: 移除图像中的杂点和干扰。
    • 倾斜校正(Deskewing): 自动检测并校正图像的倾斜角度,使文本行水平对齐。
    • 裁剪(Cropping): 如果图像中包含大量非文本区域,可以预先裁剪掉,只保留需要识别的部分。
  3. 选择正确的语言包: 确保 selectedLanguages 数组中包含文档内容的正确语言。对于多语言文档,可以组合使用语言包,例如 eng+chi_sim。
  4. 实验不同的 PSM 模式: 尽管 PSM_AUTO_OSD (PSM=1) 对于多列文档通常效果最好,但并非万能。对于某些特殊或极具挑战性的布局,可能需要尝试其他 PSM 模式,如 PSM_AUTO (PSM=0) 或 PSM_SINGLE_COLUMN (PSM=4),以找到最适合特定文档的模式。
  5. 后处理: 即使 OCR 结果有所改善,也可能需要对提取的文本进行进一步的清洗和格式化。例如,去除多余的空格、合并因识别错误而断裂的单词、或根据文档结构重新组织文本。

总结

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!

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