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。
JNG（JPEG 網路圖形）格式是一種影像檔案格式，設計為廣為人知的 MNG（多重影像網路圖形）格式的子格式。它最初的開發目的是在單一影像格式中提供有損和無損壓縮的解決方案，這在當時使用 JPEG 或 PNG 等其他常見格式時並不可行。JNG 檔案通常用於需要高品質、照片風格呈現的影像，以及透明度的選用 alpha 通道，這是不受標準 JPEG 影像支援的。
JNG 並非獨立格式，而是 MNG 檔案格式套件的一部分，該套件設計為 PNG 的動畫版本。MNG 套件包含 MNG 和 JNG 格式，其中 MNG 支援動畫，而 JNG 則是單一影像格式。JNG 格式是由開發 PNG 格式的同一個團隊所建立，其目的是透過加入 JPEG 壓縮色彩資料來補充 PNG，同時保留獨立 alpha 通道的可能性，這是 PNG 支援但 JPEG 不支援的功能。
JNG 檔案的結構類似於 MNG 檔案，但由於它僅用於單一影像，因此較為簡單。JNG 檔案由一系列區塊組成，每個區塊都包含特定類型的資料。JNG 檔案中最重要的區塊是 JHDR 區塊，其中包含標頭資訊；JDAT 區塊，其中包含 JPEG 壓縮的影像資料；JSEP 區塊，可能存在以表示 JPEG 資料串流的結束；以及 alpha 通道區塊，這些區塊是選用的，可以是 IDAT 區塊（包含 PNG 壓縮的 alpha 資料）或 JDAA 區塊（包含 JPEG 壓縮的 alpha 資料）。
JHDR 區塊是 JNG 檔案中的第一個區塊，並且至關重要，因為它定義了影像的屬性。它包含資訊，例如影像的寬度和高度、色彩深度、是否存在 alpha 通道、使用的色彩空間以及 alpha 通道的壓縮方法。此區塊允許解碼器了解如何處理檔案中的後續資料。
JDAT 區塊包含實際的影像資料，這些資料使用 JPEG 標準壓縮技術進行壓縮。這種壓縮允許有效儲存照片影像，這些影像通常包含複雜的色彩漸層和微妙的色調變化。JNG 中的 JPEG 壓縮與獨立 JPEG 檔案中使用的壓縮相同，這使得標準 JPEG 解碼器能夠從 JNG 檔案中讀取影像資料，而無需了解整個 JNG 格式。
如果 JNG 影像中存在 alpha 通道，它會儲存在 IDAT 或 JDAA 區塊中。IDAT 區塊與 PNG 檔案中使用的區塊相同，並且包含 PNG 壓縮的 alpha 資料。這允許對 alpha 通道進行無損壓縮，確保透明度資訊在沒有任何品質損失的情況下被保留。另一方面，JDAA 區塊包含 JPEG 壓縮的 alpha 資料，這允許檔案大小更小，但代價是 alpha 通道中潛在的有損壓縮偽影。
JSEP 區塊是一個選 用區塊，表示 JPEG 資料串流的結束。在 JNG 檔案透過網路串流傳輸，並且解碼器需要知道何時停止讀取 JPEG 資料並開始尋找 alpha 通道資料時，此區塊很有用。如果檔案從本地儲存媒體讀取，則不需要此區塊，因為 JPEG 資料的結束可以從檔案結構本身確定。
JNG 也支援色彩校正，方法是包含一個 ICCP 區塊，其中包含嵌入式 ICC 色彩設定檔。此設定檔允許在不同裝置上準確呈現色彩，對於將在各種螢幕上檢視或列印的影像特別重要。色彩管理功能的加入是 JNG 格式相較於獨立 JPEG 檔案的一項重大優勢，後者本身不支援嵌入式色彩設定檔。
儘管有這些功能，但 JNG 格式並未廣泛採用。這部分是因為 JPEG 格式在照片影像中的主導地位，以及 PNG 格式在需要透明度的影像中的主導地位。此外，WebP 和 HEIF 等格式的興起，它們也支援有損和無損壓縮以及透明度，進一步降低了對 JNG 等獨立格式的需求。然而，JNG 仍然是特定使用案例的可行選項，這些案例需要其獨特的組合功能。
JNG 未能廣泛採用的原因之一是 MNG 檔案格式套件的複雜性。雖然 JNG 本身相對簡單，但它是更大且更複雜的規格集的一部分，這些規格集並未廣泛實作。許多軟體開發人員選擇支援更簡單、更流行的 JPEG 和 PNG 格式，這些格式滿足了大多數使用者的需求，而沒有 MNG 和 JNG 的額外複雜性。
限制 JNG 採用的另一個因素是缺乏在流行的影像編輯和檢視軟體中的支援。雖然有些專業軟體可能支援 JNG，但許多最常用的程式並未支援。這種缺乏支援意味著使用者和開發人員不太可能遇到或使用 JNG 檔案，進一步降低了它在市場上的存在感。
儘管有這些挑戰，JNG 確實有其支持者，特別是在那些欣賞其技術能力的人之中。例如，JNG 可用於需要單一檔案同時包含高 品質照片影像和用於透明度的獨立 alpha 通道的應用程式中。這在平面設計、遊戲開發和其他需要將影像合成到各種背景中的領域中非常重要。
JNG 的技術設計也允許在檔案大小和品質方面進行潛在最佳化。例如，透過分離色彩和 alpha 資料，可以對每個資料套用不同層級的壓縮，針對檔案大小和影像品質之間的最佳平衡進行最佳化。這可以產生比對整個影像套用單一壓縮方法時更小的檔案，就像 PNG 等格式一樣。
總之，JNG 影像格式是一種專業檔案格式，提供獨特的組合功能，包括支援有損和無損壓縮、用於透明度的選用 alpha 通道以及色彩管理功能。雖然它尚未廣泛採用，但它仍然是一種技術上能力強的格式，可能適合特定應用程式。它的未來相關性可能會取決於是否對其功能重新產生興趣，以及對該格式的軟體支援是否擴展。目前，JNG 證明了影像格式的持續演進，以及對壓縮、品質和功能完美平衡的追求。
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。