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。
JPEG，全稱聯合圖像專家小組，是一種廣泛使用的有損壓縮數位影像方法，特別是針對數位攝影產生的影像。壓縮程度可以調整，允許在儲存大小和影像品質之間進行選擇性的權衡。JPEG 通常可以達到 10:1 的壓縮比，而影像品質幾乎沒有明顯損失。JPEG 壓縮演算法是 JPEG 檔案格式的核心，正式名稱為 JPEG 交換格式 (JIF)。然而，「JPEG」一詞通常用於指稱實際上標準化為 JPEG 檔案交換格式 (JFIF) 的檔案格式。
JPEG 格式支援各種色彩空間，但數位攝影和網路圖形中最常見的是 24 位元色彩，其中紅色、綠色和藍色 (RGB) 組件各佔 8 位元。這允許超過 1600 萬種不同的顏色，提供豐富且鮮豔的影像品質，適用於廣泛的應用程式。JPEG 檔案也可以支援灰階影像和色彩空間，例如 YCbCr，這通常用於影片壓縮。
JPEG 壓縮演算法基於離散餘弦轉換 (DCT)，這是一種傅立葉轉換。DCT 應用於影像的小區塊，通常為 8x8 像素，將空間域資料轉換為頻率域資料。這個過程的優點在於它傾向於將影像的能量集中在少數低頻率組件中，這些組件對於影像的整體外觀更重要，而高頻率組件會導致精細的細節，並且可以捨棄而對感知品質的影響較小。
應用 DCT 之後，會對產生的係數進行量化。量化是將一大組輸入值對應到較小的一組值的過程，有效地降低 DCT 係數的精度。這是 JPEG 有損失特性的發揮之處。量化程度由量化表決定，可以調整以平衡影像品質和壓縮比。較高的量化程度會產生較高的壓縮比和較低的影像品質，而較低的量化程度會產生較低的壓縮比和較高的影像品質。
對係數進行量化後，會將它們序列化成鋸齒形順序，從左上角開始，並沿著 8x8 區塊遵循鋸齒形模式。此步驟旨在將低頻率係數置於區塊的開頭，而將高頻率係數置於結尾。由於許多高頻率係數在量化後可能會為零或接近於零，因此這種排序有助於進一步壓縮資料，方法是將類似的值分組在一起。
JPEG 壓縮過程中的下一步是熵編碼，這是一種無損壓縮方法。JPEG 中最常見的熵編碼形式是霍夫曼編碼，儘管算術編碼也是一種選擇。霍夫曼編碼的工作原理是將較短的碼分配給較頻繁的值，而將較長的碼分配給較不頻繁的值。由於量化的 DCT 係數以將零和低頻率值分組的方式排序，因此霍夫曼編碼可以有效地減少資料大小。
JPEG 檔案格式還允許在檔案中儲存元資料，例如包含相機設定、拍攝日期和時間以及其他相關詳細資訊的 Exif 資料。這些元資料儲存在 JPEG 檔案的特定應用程式區段中，各種軟體都可以讀取這些區段以顯示或處理影像資訊。
JPEG 格式的主要特點之一是它支援漸進式編碼。在漸進式 JPEG 中，影像會以多個越來越詳細的通行編碼。這表示即使影像尚未完全下載，也可以顯示整個影像的粗略版本，隨著接收更多資料，品質會逐漸提升。這對於網路影像特別有用，讓使用者可以在不必等待整個檔案下載的情況下了解影像內容。
儘管 JPEG 格式廣泛使用且有許多優點，但它也有一些限制。最顯著的限制之一是偽影問題，偽影是可能因有損壓縮而產生的失真或視覺異常。這些偽影可能包括模糊、塊狀和邊緣周圍的「振鈴」。偽影的可見度受壓縮程度和影像內容的影響。具有平滑漸層或微妙色調變化的影像更容易出現壓縮偽影。
JPEG 的另一個限制是它不支援透明度或 alpha 通道。這表示 JPEG 影像無法有透明背景，這對於某些應用程式來說可能是一個缺點，例如網路設計，其中將影像疊加在不同背景上很常見。對於這些目的，通常會使用支援透明度的格式，例如 PNG 或 GIF。
JPEG 也不支援圖層或動畫。與支援圖層的 TIFF 或支援動畫的 GIF 等格式不同，JPEG 嚴格來說是一種單一影像格式。這使得它不適合需要分層編輯或建立動畫影像的影像。對於需要使用圖層或動畫的使用者，他們必須在編輯過程中使用其他格式，然後在需要時轉換為 JPEG 以進行分發。
儘管有這些限制，JPEG 仍然是最受歡迎的影像格式之一，因為它具有高效的壓縮功能，並且與幾乎所有影像檢視和編輯軟體相容。它特別適合具有連續色調和顏色的照片和複雜影像。對於網路使用，JPEG 影像可以最佳化以平衡品質和檔案大小，使其非常適合快速載入時間，同時仍提供視覺上令人愉悅的結果。
JPEG 格式也隨著時間而演進，開發出 JPEG 2000 和 JPEG XR 等變體。JPEG 2000 提供了更高的壓縮效率、更好的影像偽影處理能力，以及處理透明度的能力。另一方面，JPEG XR 在較高的品質等級下提供更好的壓縮，並支援更廣泛的色深和色彩空間。然而，這些較新的格式尚未達到與原始 JPEG 格式相同的普及程度。
總之，JPEG 影像格式是一種通用且廣泛支援的格式，在影像品質和檔案大小之間取得平衡。它使用 DCT 和量化可以大幅減少檔案大小，並可自訂對影像品質的影響。儘管它有一些限制，例如不支援透明度、圖層和動畫，但它在相容性和效率方面的優點使其成為數位影像中的重要元素。隨著技術的進步，較新的格式可能會提供改進，但 JPEG 的傳統和廣泛採用確保它在可預見的未來仍將是數位影像的基礎部分。
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。