如何使用Tesseract的--psm 2模式仅实现页面分割（无需OCR）？

一、正确用Tesseract仅执行页面分割（无OCR） #

Tesseract的--psm 2确实对应「自动页面分割，无OSD或OCR」，但默认文本输出格式因无OCR结果不会生成有效内容，你需要选择能保存布局边界框（BBox）的输出格式，比如hocr或调整PSM模式获取更细粒度的分割信息：

命令行方式 #

1. 生成HOCR格式（包含所有分割区域的坐标）：

tesseract img.png outfile --psm 2 hocr

生成的outfile.hocr是HTML文件，其中<div class="ocr_page">、<div class="ocr_carea">等标签的title属性包含边界框数据（格式如bbox 0 0 100 200），解析这些属性即可提取布局坐标。

2. 获取更细粒度分割（块、行）：
   若需要段落、行级别的布局，可改用--psm 3（默认自动页面分割，无OSD）搭配HOCR输出，实际测试中该模式在不执行OCR的情况下也能输出更详细的布局：

tesseract img.png outfile --psm 3 hocr

二、Python中实现仅页面分割 #

方法1：调用Tesseract命令行解析HOCR #

用subprocess调用Tesseract生成HOCR，再通过BeautifulSoup解析边界框：

import subprocess
from bs4 import BeautifulSoup

def get_tesseract_layout(img_path):
    # 调用Tesseract生成HOCR文件
    subprocess.run([
        "tesseract", img_path, "temp_layout", "--psm", "3", "hocr"
    ], check=True)
    
    # 解析HOCR提取布局坐标
    with open("temp_layout.hocr", "r") as f:
        soup = BeautifulSoup(f.read(), "html.parser")
    
    layout_data = []
    # 提取块级区域（ocr_carea）
    for area in soup.find_all("div", class_="ocr_carea"):
        bbox_str = area["title"].split("bbox ")[1].split(";")[0]
        x1, y1, x2, y2 = map(int, bbox_str.split())
        layout_data.append({
            "type": "block",
            "bbox": (x1, y1, x2, y2)
        })
    
    # 可按需提取行（ocr_line）或单词级区域
    return layout_data

# 使用示例
layout = get_tesseract_layout("img.png")

方法2：优化layoutparser调用，强制禁用OCR #

layoutparser的TesseractAgent默认会执行OCR，可通过传递Tesseract底层参数强制关闭OCR，仅保留页面分割：

import layoutparser as lp

ocr_agent = lp.TesseractAgent(languages='eng')
res = ocr_agent.detect(
    img_path,
    return_response=True,
    tessedit_do_ocr=0,  # 核心参数：禁用OCR
    psm=3
)
layout_info = res['data']

三、加快页面分割/OCR速度的技巧 #

• 缩小图片尺寸：将图片缩至长边不超过1000像素，减少处理像素量：

from PIL import Image

img = Image.open("img.png")
max_dim = 1000
width, height = img.size
if max(width, height) > max_dim:
    scale = max_dim / max(width, height)
    img = img.resize((int(width*scale), int(height*scale)), Image.Resampling.LANCZOS)
    img.save("resized_img.png")

• 启用多线程：Tesseract支持多线程处理，添加--threads参数提升速度：

# 命令行示例
tesseract img.png outfile --psm 3 hocr --threads 4

# pytesseract示例
import pytesseract
pytesseract.image_to_data(img, config='--psm 3 --threads 4')

• 图片预处理：对图片做灰度化、二值化、去噪，减少干扰：

from PIL import Image, ImageOps

img = Image.open("img.png").convert("L")  # 转灰度图
img = ImageOps.autocontrast(img)  # 自动提升对比度
img = img.point(lambda x: 0 if x < 128 else 255, '1')  # 二值化

• 切换轻量OCR引擎：若必须执行OCR，可指定--oem 0使用传统引擎，比LSTM引擎（--oem 1）更快：

tesseract img.png outfile --oem 0 --psm 3

内容的提问来源于stack exchange，提问作者Vera Bernhard