如何在R语言中设置Tesseract的页面分割方法(PSM)参数

R环境下的tesseract包支持直接通过options参数传递PSM配置，不需要额外适配，具体使用方式如下：

核心配置方法 #

PSM参数可以在创建tesseract识别引擎时指定，也可以在调用识别函数时临时传递，两种方式效果一致：

• 创建自定义识别引擎（适合多次调用同配置的场景）：通过tesseract()函数的options参数传入命名列表，键为psm，值为对应的参数数值
• 临时指定参数（适合单次识别场景）：直接在ocr()/ocr_data()函数的options参数中传入PSM配置即可

表格场景推荐PSM值 #

针对表格类文档，可优先测试以下PSM值，根据自己的文档排版选择效果最优的：

• psm = 6：假设当前页面为单个统一的文本块，适合排版规整、单元格间隔小的单栏表格
• psm = 11：稀疏文本模式，不预设文本排版顺序，适合单元格分散、留白多的表格
• psm = 12：带页面方向检测的稀疏文本模式，适合扫描时存在轻微倾斜的表格文档

完整使用示例 #

# 加载所需依赖包
library(tesseract)
library(pdftools)

# 1. 先将扫描版PDF转为高分辨率图片，dpi建议设置300及以上
pdf_convert("目标扫描文档.pdf", dpi = 300, format = "png", output_prefix = "temp_pdf_page")

# 2. 创建适配表格的识别引擎，指定PSM参数
table_ocr_engine <- tesseract(
  options = list(
    psm = 11,
    # 若识别中文文档可添加下方配置，需提前安装中文语言包
    # lang = "chi_sim"
  )
)

# 3. 执行识别
# 纯文本识别结果
text_result <- ocr("temp_pdf_page_1.png", engine = table_ocr_engine)
# 带坐标、置信度的结构化识别结果，方便后续提取表格内容
structured_result <- ocr_data("temp_pdf_page_1.png", engine = table_ocr_engine)

优化提示 #

如果调整PSM后识别效果仍不理想，可先对扫描图片做预处理：比如二值化、去除噪点、修正倾斜角度，再进行OCR识别，能进一步提升表格内容的识别准确率。

内容的提问来源于stack exchange，提问作者RKF