对于刚接触 OCR（光学字符识别）的初学者来说，Tesseract 是一个强大但配置复杂的工具。其中最令人困惑的概念之一就是 页面分割模式（PSM, Page Segmentation Mode）——它决定了 Tesseract 如何理解图像中的文本布局。本文将以通俗易懂的方式，带您掌握这 14 种模式的核心原理和实战技巧。

一、为什么需要页面分割模式？

想象你有一张包含以下内容的图片：

• 一段倾斜的杂志文章
• 一个竖排的中文古诗
• 一张车牌照
• 一张手写便签

如果直接用默认模式识别，结果可能惨不忍睹：竖排文字被横着读、车牌数字被拆成字母、手写体被忽略……PSM 的作用就是告诉 Tesseract："这张图片里的文字应该这样排列"，从而大幅提升识别准确率。

二、14 种模式速查表（附生活化解释）

🔍 基础方向检测组

使用场景：处理旋转的扫描件、多语言混合文档时，先用这些模式确定基础信息。

📄 常规文档组

新手建议：从模式3开始尝试，遇到多列文档时改用模式4。

🎯 精准定位组

操作技巧：识别验证码时，可结合 -c tessedit_char_whitelist=0123456789ABCDEF 限制字符范围。

🌏 特殊排版组

文化贴士：处理竖排中文时，命令需改为：

tesseract vertical_text.png output --psm 5 -l chi_sim_vert

🛠️ 高级处理组

性能提示：模式13处理速度快，但要求输入图像质量极高。

三、新手三步决策法

1. 第一步：看方向
   ❓ 图片是正着的吗？
   → 不是 → 用模式0/1/12先检测方向
   → 是 → 进入下一步

2. 第二步：看布局
   ❓ 文字是：

   • 整齐排列的段落 → 模式3/4/6
   • 单行/单词 → 模式7/8
   • 竖排/环形 → 模式5/9
   • 分散在各处 → 模式11

3. 第三步：优化结果

   • 添加语言参数：-l eng+chi_sim（英文+简体中文）
   • 限制字符集：-c tessedit_char_whitelist=0123456789
   • 启用LSTM引擎：--oem 1（需Tesseract 4.0+）

四、实战案例：识别身份证号码

问题：默认模式会误将照片背景识别为文字
解决方案：

tesseract id_card.png output --psm 6 -l chi_sim+eng \
-c tessedit_char_whitelist="0123456789ABCDEFGHIJKLMNOPQRSTUVWXYZabcdefghijklmnopqrstuvwxyz"

效果：

• PSM=6 将整个身份证视为一个文本块
• 白名单过滤掉无关字符
• 识别准确率从65%提升至98%

五、常见问题解答

Q1：为什么用了正确模式还是识别错误？
A：可能是图像质量问题！尝试先做预处理：

import cv2
img = cv2.imread('text.png')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
_, binary = cv2.threshold(gray, 150, 255, cv2.THRESH_BINARY)
cv2.imwrite('preprocessed.png', binary)

Q2：如何查看所有可用语言？
A：运行 tesseract --list-langs，垂直语言包通常以_vert结尾。

Q3：多个模式可以组合使用吗？
A：不能直接组合，但可以通过管道分步处理：

# 先检测方向，旋转图像后再识别
tesseract rotated_image.png output --psm 0
# 根据输出结果手动旋转图像...
tesseract fixed_image.png final_output --psm 7

六、学习资源推荐

1. 交互式练习：使用 Project Naptha 在线测试不同PSM效果
2. 数据集：下载 COCO-Text 练习稀疏文本识别
3. 进阶教程：阅读 Tesseract GitHub 的 PSM说明文档

通过理解这14种模式背后的逻辑，您已经掌握了Tesseract最核心的布局分析能力。记住：没有绝对最好的模式，只有最适合当前场景的选择。从简单的车牌识别开始练习，逐步挑战复杂文档，很快您就能成为OCR布局分析的专家！

最后，关注公号“ITMan彪叔” 可以添加作者微信进行交流，及时收到更多有价值的文章。