如何在tesseract的ocr()中限定或优先识别指定词汇？

一、严格限制仅识别指定词汇池 #

通过Tesseract的配置参数关闭系统词典，仅加载自定义词汇文件，强制OCR只识别词汇池中的内容。

步骤：

1. 将词汇池写入文本文件（每行一个词）
2. 创建自定义配置，禁用系统词典并指定自定义词汇文件
3. 调用ocr()时传入该配置

代码示例：

# 定义词汇池
words_pool <- c("APPLE", "BANANA", "ORANGE")
# 将词汇写入文本文件
writeLines(words_pool, "custom_words.txt")

# 创建自定义配置
strict_config <- tesseract::tesseract_options(
  load_system_dictionary = FALSE,  # 关闭系统词典
  user_words = "custom_words.txt"  # 指定自定义词汇文件路径
)

# 执行OCR
text <- tesseract::ocr(img, config = strict_config)

# 验证结果是否全部来自词汇池
all(unlist(strsplit(text, "\\s|\n")) %in% words_pool)

二、优先识别指定词汇池 #

如果严格限制过于苛刻，可以保留系统词典，但让Tesseract优先考虑词汇池中的词汇，适用于允许少量非池词汇但希望优先匹配目标词的场景。

代码示例：

# 复用之前的custom_words.txt文件
priority_config <- tesseract::tesseract_options(
  user_words = "custom_words.txt"  # 仅添加自定义词汇，不关闭系统词典
)

text <- tesseract::ocr(img, config = priority_config)

三、后处理修正（变通方案） #

如果上述配置无法满足需求，可以先执行普通OCR，再通过字符串匹配将结果修正为词汇池中的最相似词汇，适合词汇池规模较小的情况。

代码示例：

# 定义后处理函数
magic_stuff <- function(raw_text, accepted_words) {
  # 分割OCR结果为单个 token
  tokens <- unlist(strsplit(raw_text, "\\s|\n"))
  # 对每个token替换为词汇池中最相似的词
  corrected_tokens <- sapply(tokens, function(tok) {
    if (tok %in% accepted_words) return(tok)
    # 计算编辑距离，找最相似的词
    dists <- adist(tok, accepted_words)
    accepted_words[which.min(dists)]
  })
  # 合并修正后的token
  paste(corrected_tokens, collapse = " ")
}

# 执行OCR并修正
text <- tesseract::ocr(img) |> magic_stuff(accepted_words = words_pool)

# 验证结果
all(unlist(strsplit(text, "\\s|\n")) %in% words_pool)

方法优缺点对比 #

• 严格限制方案：完全确保输出仅来自词汇池，但可能因图片质量差导致有效词汇无法被识别（返回空或错误）。
• 优先识别方案：兼顾灵活性与准确性，优先匹配目标词汇，同时保留系统词典作为后备，但仍可能出现非池词汇的错误识别。
• 后处理修正方案：无需修改OCR配置，通过代码逻辑强制修正结果，依赖字符串匹配的准确性，适合词汇池较小的场景。

内容的提问来源于stack exchange，提问作者LulY