光學字元辨識（OCR）將文字影像—掃描、智慧型手機相片、PDF—轉換為機器可讀的字串，並且越來越多地轉換為 結構化資料。現代 OCR 是一個清理影像、尋找文字、讀取它並匯出豐富元數據的流程， 以便下游系統可以搜尋、索引或擷取欄位。兩個廣泛使用的輸出標準是 hOCR，一種用於文字和版面的 HTML 微格式，以及 ALTO XML，一種以圖書館/檔案館為導向的綱要；兩者都保留位置、閱讀順序和其他版面提示，並受到 像 Tesseract這樣的熱門引擎支援。
預處理。 OCR 品質始於影像清理：灰階轉換、去噪、 二值化（二值化）和歪斜校正。標準的 OpenCV 教學涵蓋了全域、 自適應 和 Otsu 二值化—適用於光線不均或雙峰直方圖的文件的必備步驟。當頁面內的光線變化時 （想想手機快照），自適應方法通常優於單一全域閾值；Otsu 會透過分析直方圖自動選擇一個閾值。傾斜校正同樣重要：基於霍夫變換的 歪斜校正（霍夫線變換）與 Otsu 二值化結合，是生產預處理流程中常見且有效的方案。
偵測與辨識。 OCR 通常分為文字偵測（文字在哪裡 ？）和文字辨識（它說什麼？）。在自然場景和許多掃描中，完全卷積 偵測器，如 EAST ，可以有效地預測字或行級的四邊形，而無需繁重的提案階段，並且已在 常見的工具套件中實現（例如， OpenCV 的文字偵測教學）。在複雜的頁面（報紙、表格、書籍）上，行/區域的分割和閱讀順序推斷很重要：Kraken 實現了傳統的區域/行分割和神經基準線分割，並明確支援 不同的腳本和方向（LTR/RTL/垂直）。
辨識模型。 經典的開源主力 Tesseract （由 Google 開源，源於 HP）從字元分類器演變為基於 LSTM 的序列 辨識器，可以從 CLI 發出可搜尋的 PDF、 hOCR/ALTO 相容輸出等。現代辨識器依賴於序列模型，而無需預先分割的字元。 連接主義時間分類 (CTC) 仍然是基礎，它學習輸入特徵序列和輸出標籤字串之間的對齊；它廣泛 用於手寫和場景文字流程。
在過去幾年中，Transformer 重塑了 OCR。 TrOCR 使用視覺 Transformer 編碼器和文字 Transformer 解碼器，在大型合成語料庫上進行訓練，然後 在真實資料上進行微調，在印刷、手寫和場景文字基準測試中表現出色（另請參閱 Hugging Face 文件）。與此同時，一些系統繞過 OCR 進行下游理解： Donut（文件理解 Transformer） 是一種無 OCR 的編碼器-解碼器，可直接從文件 影像輸出結構化答案（如鍵值 JSON）（儲存庫， 模型卡），避免了在單獨的 OCR 步驟為 IE 系統提供資料時出現錯誤累積。
如果您想要跨多種腳本的「開箱即用」文字閱讀， EasyOCR 提供了一個包含 80 多種語言模型的簡單 API，可傳回框、文字和可信度—方便用於原型和 非拉丁腳本。對於歷史文獻， Kraken 以基準線分割和腳本感知閱讀順序而著稱；對於靈活的行級訓練， Calamari 建立在 Ocropy 的基礎上（Ocropy），帶有（多）LSTM+CTC 辨識器和用於微調自訂模型的 CLI。
泛化取決於資料。對於手寫， IAM 手寫資料庫 為訓練和評估提供了不同作者的英文句子；它是 行和字辨識的長期參考集。對於場景文字， COCO-Text 在 MS-COCO 上分層了廣泛的註釋，帶有印刷/手寫、清晰/不清晰、腳本和 完整轉錄的標籤（另請參閱原始 專案頁面）。該領域也嚴重依賴合成預訓練： 野外合成文字 將文字渲染到具有逼真幾何和光線的相片中，為預訓練 偵測器和辨識器提供大量資料（參考 程式碼和資料）。
ICDAR 的穩健閱讀 下的競賽使評估保持務實。最近的任務強調端對端偵測/閱讀，並包括將字 連結成片語，官方程式碼報告 精確率/召回率/F-score、交並比 (IoU) 和字元級編輯距離度量—反映了從業人員應該追蹤的內容。
OCR 很少以純文字結尾。檔案館和數位圖書館更喜歡 ALTO XML ，因為它除了內容之外還編碼了實體版面（帶座標的區塊/行/字），並且它與 METS 打包配合得很好。 hOCR 微格式則相反，它使用 ocr_line 和 ocrx_word 等類別將相同的思想嵌入到 HTML/CSS 中，從而可以輕鬆地使用 Web 工具進行顯示、編輯和轉換。Tesseract 兩者都支援—例如， 直接從 CLI 產生 hOCR 或可搜尋的 PDF（PDF 輸出指南）；像 pytesseract 這樣的 Python 包裝函式增加了便利性。當儲存庫具有固定的接收 標準時，存在用於在 hOCR 和 ALTO 之間進行轉換的轉換器—請參閱此精選清單 OCR 檔案格式工具。
最強勁的趨勢是融合：偵測、辨識、語言模型，甚至特定於任務的解碼 正在合併到統一的 Transformer 堆疊中。在 大型合成語料庫 上進行預訓練仍然是一個力量倍增器。無 OCR 模型將在目標是結構化輸出 而不是逐字記錄的任何地方積極競爭。也期待混合部署：一個輕量級偵測器加上一個 TrOCR 風格的 辨識器用於長格式文字，以及一個 Donut 風格的模型用於表格和收據。
Tesseract (GitHub) · Tesseract 文件 · hOCR 規範 · ALTO 背景 · EAST 偵測器 · OpenCV 文字偵測 · TrOCR · Donut · COCO-Text · SynthText · Kraken · Calamari OCR · ICDAR RRC · pytesseract · IAM 手寫 · OCR 檔案格式工具 · EasyOCR
光學字符識別（OCR）是一種技術，用於將不同類型的文檔，如掃描的紙質文檔、PDF文件或由數字相機拍攝的圖像，轉換為可以編輯和可搜索的數據。
OCR通過掃描輸入的圖像或文檔，將圖像分割成單個字符，然後將每個字符與使用模式識別或特徵識別的字符形狀數據庫進行比較。
OCR用於各種行業和應用，包括數字化打印文件、啟用文字轉語音服務、自動化數據錄入過程，以及幫助視障用戶更好地與文字互動。
儘管OCR技術已取得了巨大的進步，但它並不是絕對可靠的。準確性可能會因原始文檔的質量和使用的OCR軟件的具體情況而異。
儘管OCR主要用於識別印刷文字，但一些先進的OCR系統也能識別清晰、一致的手寫。然而，通常由於個人寫作風格的多樣性，手寫識別的準確度較低。
是的，許多OCR軟件可以識別多種語言。但是，需要確保你使用的軟件支持特定的語言。
OCR是光學字符識別的縮寫，用於識別印刷的文字，而ICR，或稱為智能字符識別，則較為先進，用於識別手寫的文字。
OCR在處理清晰易讀的字體和標準文字大小上效果最佳。雖然它能識別各種字體和大小，但在處理不常見的字體或極小的文字大小時，其準確性可能會降低。
OCR在處理低分辨率的文件、複雜的字體、打印質量差的文字、手寫，以及字和背景迎合度不足的文件時可能出問題。另外，儘管它可以識別多種語言，但可能無法完美覆蓋所有語言。
是的，OCR可以掃瞄彩色文字和背景，雖然它對高對比度的顏色組合，如黑色文字和白色背景效果更好。如果文字和背景的顏色對比 度不足，其準確性可能會降低。
HALD 影像格式雖然未被一般大眾廣泛認知，但在進階影像處理和色彩分級工作流程中扮演著舉足輕重的角色。其基本原理是作為一個中立參考，對數位影像系統可顯示的所有可能色彩值進行對應。此對應透過一個獨特的視覺模式達成，該模式以二維格式呈現三維色彩空間。基本上，HALD 影像作為一個全面的色彩查詢表 (LUT)，可在廣泛的應用中進行有效率的色彩處理。透過調整 HALD 影像，然後使用修改後的 HALD 作為色彩查詢表，專業人士可以在多個影像或影片中達成一致且可預測的色彩轉換。
「HALD」名稱的由來並未廣泛記載，導致其起源蒙上一層神秘面紗。在實務上，HALD 影像格式代表色彩查詢表 (LUT) 的演進，而色彩查詢表在色彩分級和影像處理中扮演著重要的角色。與傳統的 LUT 不同，傳統的 LUT 通常僅限於特定範圍的色彩轉換，而 HALD 影像在其網格中包含所有可能色彩轉換的呈現。這種對色彩空間的詳盡封裝允許在色彩分級過程中擁有無與倫比的控制力和彈性。
建立 HALD 影像涉及產生一個圖案，其中至少包含裝置色彩空間中的每種色彩一次。通常，這是透過將色彩空間細分為一個網格來達成，其中每個儲存格代表一種獨特的色彩。HALD 影像的複雜度和大小可能有所不同，通常會隨著所需的色彩呈現精確度而增加。標準的 HALD 影像透過將三維色彩空間（紅色、綠色、藍色）對應到一個二維平面來建立，並以影像編輯軟體可以輕鬆處理的方式組織色彩。
HALD 影像的實際應用 橫跨各種領域，從電影和攝影到數位藝術和印刷媒體。在電影和影片後製中，HALD 影像用於建立色彩查詢表，以確保不同鏡頭或場景之間的色彩一致性。攝影師使用 HALD 影像將一致的色彩設定檔套用至大量影像，大幅減少手動色彩校正所需的時間。在數位藝術領域，HALD 影像有助於建立獨特的色彩設定檔，可套用至數位畫布以增強藝術表現。
HALD 影像格式的主要優點之一是使用它進行色彩調整的非破壞性。由於色彩轉換是使用源自 HALD 影像的查詢表套用，而不是直接套用至原始影像，因此原始影像的底層資料保持不變。這允許輕鬆地修改和嘗試不同的色彩分級，而不會損害原始影像品質。此外，透過基於 HALD 的查詢表套用色彩分級通常比手動色彩校正更快，簡化了後製工作流程。
技術上建立 HALD 影像需要專門的軟體，該軟體能夠產生代表色彩空間的複雜網格。此程序從定義 HALD 影像的維度開始，這決定了它可以呈現的色彩範圍。然後將色彩空間離散化為一系列的立方體，每個立方體對應於一種特定的色彩。這些立方體被壓縮成一個二維網格，建立 HALD 影像。HALD 影像中色彩呈現的精確度與其解析度成正比，解析度越高，色彩分級越詳細。
要將 HALD 影像用於色彩分級，第一步是將所需的色彩校正套用至 HALD 影像本身。這可以使用任何標準的影像編輯軟體來完成，允許調整色彩平衡、對比、飽和度等。進行調整後，編輯後的 HALD 影像會轉換成一個查詢表。然後可以將此查詢表套用至其他影像或影片素材，在所有視覺效果中複製色彩調整。結果是一致且和諧的色彩分級，增強專案的整體美感。
儘管有許多優點，在使用 HALD 影像時仍有一些事項需要考量。使用 HALD 影像可達成的色彩分級品質和精確度取決於 HALD 影 像本身的解析度。解析度較高的 HALD 影像允許更詳細的色彩分級，但也需要更多的處理能力和儲存空間。此外，基於 HALD 的查詢表在達成所需的色彩分級方面的有效性可能會因原始內容的色彩設定檔和光源條件而異，需要調整或自訂 HALD 影像或查詢表。
將 HALD 影像整合到數位工作流程中可以大幅提升色彩分級程序的效率和品質。例如，在電影製作中，建立一系列針對不同光源條件和相機設定量身打造的 HALD 影像，可以促進在各種場景中快速進行色彩分級。在攝影中，產生特定於相機色彩設定檔的 HALD 影像可以簡化大量照片的色彩校正程序，確保一致性並節省寶貴的時間。此外，在色彩精確度至關重要的情況下，例如醫學影像或品牌色彩呈現，HALD 影像提供了一個工具來達成精確的色彩校準。
HALD 影像的潛力超越其目前的應用。隨著運算能力的提升和軟體的進步，在創意和技術領域中利用 HALD 影像的可能性將會擴展。未來的發展可能包括用於產生和編輯 HALD 影像的更直覺的軟體工具、用於更精確色彩呈現的增強演算法，以及在色彩保真度至關重要的產業中更廣泛的採用。此外，在處理 HALD 影像中整合人工智慧可以自動化和優化色彩分級程序，讓新手和專業人士都能更輕鬆地使用。
然而，HALD 技術的普及也帶來挑戰，特別是在標準化和互通性方面。隨著不同的軟體和硬體製造商採用 HALD 技術，確保跨平台和裝置的相容性變得至關重要。如果沒有建立用於建立、編輯和套用 HALD 影像的標準化格式和程序，使用者在達成一致的結果時可能會遇到困難。解決這些挑戰需要產業利害關係人合作，建立共同的標準，以促進 HALD 影像在各種應用中的無縫使用。
HALD 影像廣泛採用的另一個重大障礙是教育和宣導。儘管 HALD 影 像提供了技術優勢，但其複雜性和產生和有效使用它們所需的專業知識可能會讓許多潛在使用者望而生畏。為了克服此障礙，開發全面的教育資源和使用者友善的軟體介面至關重要。透過簡化使用 HALD 影像的程序，並提供明確且易於取得的指導，製造商和軟體開發人員可以擴大此強大工具的吸引力。
總之，HALD 影像格式代表數位影像處理的重大進步，在色彩分級中提供無與倫比的彈性和精確度。它將整個色彩空間封裝在單一的非破壞性格式中的能力，為創意專業人士提供了一個強大的工具，可以在各種視覺媒體中達成一致且和諧的色彩配置。隨著技術的進步，HALD 影像的潛在應用無疑將擴展，在數位色彩分級領域帶來令人興奮的發展。然而，實現此潛力將取決於克服與標準化、互通性和使用者教育相關的挑戰。隨著產業持續發展，HALD 技術的採用和優化將在塑造數位影像的未來中扮演至關重要的角色。
這個轉換器完全在您的瀏覽器中運行。當您選擇 一個檔案，它將讀入內存並轉換為所選格式。 然後，您可以下載轉換後的檔案。
轉換馬上開始，大部分檔案僅需一秒鐘轉換。 較大的檔案可能需要更長的時間。
您的檔案絕不會上傳到我們的伺服器。它們在您的瀏覽器中 轉換，然後下載轉換後的檔案。我們從未看到您的檔案。
我們支援所有圖形格式之間的轉換，包括 JPEG，PNG，GIF，WebP，SVG，BMP，TIFF，等等。
此轉換器完全免費，且將永遠免費。 由於它在您的瀏覽器中運行，我們無需支付 伺服器費用，所以我們不需要向您收取費用。
可以！您一次可以轉換任意多的檔案。 當您添加檔案時，只需選擇多個檔案即可。