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。
可攜式灰階圖格式 (PGM) 是一種廣泛接受且用於影像處理和電腦繪圖的格式，用於以簡單、無裝飾的格式表示灰階影像。它的重要性不僅在於其簡潔性，還在於其在不同運算平台和軟體生態系統中的靈活性與可攜性。在 PGM 格式的脈絡中，灰階影像包含各種灰階，其中每個像素表示從黑色到白色的強度值。PGM 標準的制定主要是為了便於解析和處理影像，同時將運算負擔降至最低，因此特別適合快速影像處理任務和教育用途。
PGM 檔案的結構很簡單，包含標頭和影像資料。標頭本身分為四個部分：魔術數字，用於識別檔案為 PGM，並指出它是二進位或 ASCII 格式；影像的尺寸，由像素的寬度和高度指定；最大灰階值，用於決定每個像素的可能強度值範圍；最後是註解，這是選用的，可以包含用於提供影像額外資訊。魔術數字「P2」表示 ASCII PGM，而「P5」表示二進位 PGM。這種區分在人類可讀性和儲存效率之間取得平衡。
在標頭之後，影像資料以網格格式列出，對應於標頭中指定的像素尺寸。在 ASCII PGM (P2) 中，每個像素的強度值以純文字列出，從影像的左上角到右下角排序，並以空白分隔。值從表示黑色的 0 到標頭中指定的最大灰階值（表示白色）不等。這種格式的可讀性便於輕鬆編輯和除錯，但與其二進位對應格式相比，在檔案大小和解析速度方面效率較低。
另一方面，二進位 PGM 檔案 (P5) 以更緊湊的形式對影像資料進行編碼，使用二進位表示法表示強度值。這種格式顯著減 小了檔案大小，並允許更快的讀寫操作，這對於處理大量影像或需要高性能的應用程式很有利。然而，缺點是二進位檔案不可讀，需要專門的軟體才能檢視和編輯。在處理二進位 PGM 時，正確處理二進位資料至關重要，要考慮檔案的編碼和系統的架構，特別是關於位元序。
PGM 格式的靈活性在標頭中的最大灰階值參數中得到證明。此值決定影像的位元深度，而位元深度又決定可以表示的灰階強度範圍。一個常見的選擇是 255，這表示每個像素可以取 0 到 255 之間的任何值，允許在 8 位元影像中使用 256 種不同的灰階。此設定足以應付大多數應用程式；然而，PGM 格式可以容納更高的位元深度，例如每個像素 16 位元，方法是增加最大灰階值。此功能允許表示具有更精細強度漸變的影像，適用於高動態範圍影像應用程式。
PGM 格式的簡潔性也延伸到它的操作和處理。由於該格式有良好的文件記載，並且缺乏在更精密的影像格式中發現的複雜功能，因此撰寫用於解析、修改和產生 PGM 影像的程式可以使用基本的程式設計技能來完成。這種可及性促進了影像處理方面的實驗和學習，使 PGM 成為學術環境和愛好者中的熱門選擇。此外，該格式的簡單性允許有效實作用於過濾、邊緣偵測和對比度調整等任務的演算法，這有助於它在研究和實際應用中持續使用。
儘管有其優點，PGM 格式也有一些限制。最顯著的是缺乏對彩色影像的支援，因為它本質上是為灰階設計的。雖然對於專門處理單色影像的應用程式來說這不是缺點，但對於需要色彩資訊的任務，必須求助於 Netpbm 格式系列中的兄弟格式，例如用於彩色影像的可攜式點陣圖格式 (PPM)。此外，PGM 格式的簡潔性意味著它不支援現代功能，例如壓縮、元資料儲存（超出基本註解）或圖 層，這些功能在 JPEG 或 PNG 等更複雜的格式中可用。此限制可能會導致高解析度影像的檔案大小較大，並可能限制其在某些應用程式中的使用。
PGM 格式與其他格式的相容性和易於轉換是其顯著優點之一。由於它以直接且有文件記載的方式對影像資料進行編碼，因此將 PGM 影像轉換為其他格式（或反之亦然）相對簡單。此功能使其成為影像處理管線的絕佳中間格式，其中影像可能來自各種格式，在 PGM 中處理以簡化，然後轉換為適合分發或儲存的最終格式。不同程式設計語言中的許多公用程式和函式庫支援這些轉換程序，加強了 PGM 格式在多功能且適應性強的工作流程中的作用。
PGM 檔案的安全性考量通常圍繞著解析和處理格式不正確或惡意製作的檔案相關的風險。由於其簡潔性，與更複雜的格式相比，PGM 格式不太容易受到特定漏洞的影響。然而，解析 PGM 檔案的應用程式仍應實作強健的錯誤處理，以管理意外輸入，例如不正確的標頭資訊、超出預期尺寸的資料或超出有效範圍的值。確保安全處理 PGM 檔案至關重要，特別是在接受使用者提供影像的應用程式中，以防止潛在的安全漏洞。
展望未來，儘管 PGM 格式簡單且有其限制，但它在科技產業的某些利基市場中持續相關，這突顯了直接且有良好文件記載的檔案格式的價值。它作為教學工具的角色、它適用於快速影像處理任務以及它促進影像格式轉換，說明了檔案格式設計中功能性和複雜性之間平衡的重要性。隨著技術的進步，具有增強功能、更好的壓縮和支援新興影像技術的新影像格式無疑會出現。然而，PGM 格式的遺產將會持續存在，作為未來格式設計的基準，這些格式力求在效能、簡潔性和可攜性之間取得最佳平衡。
總之，可攜式灰階圖格式 (PGM) 儘管簡單，但在數位影像領域中代表著無價的資產。其設計理念以易用性、可及性和直接性為中心，確保了它在從教育到軟體開發的各種領域中持續相關。透過支援灰階影像的有效操作和處理，PGM 格式已穩固地成為影像處理愛好者和專業人士工具包中的主食。無論是利用其教育價值、它在處理管線中的角色，還是它在影像操作中的簡潔性，PGM 格式仍然證明了設計良好的簡單檔案格式在數位技術不斷變化的環境中具有持久的影響力。
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。