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。
漸進式 JPEG (PJPEG) 格式是傳統 JPEG 影像格式的延伸，以其壓縮數位影像和照片的效率而聞名。與從上到下以單次通過載入影像的標準 JPEG 不同，PJPEG 以多重通過載入影像，逐漸提升品質。此技術在網頁設計和線上影像呈現中提供顯著的優勢，其中影像載入速度和觀看者參與度至關重要。了解 PJPEG 的技術複雜性有助於最佳化網頁效能並提升使用者體驗。
PJPEG 採用離散餘弦轉換 (DCT) 技術，類似於標準 JPEG。DCT 的運作方式是將影像分解成不同頻率的部分，然後量化這些頻率以縮小檔案大小。在此過程中，PJPEG 與標準 JPEG 的不同之處在於它如何組織和使用這些 DCT 係數。PJPEG 以一種允許影像品質漸進建立的方式儲存這些係數。最初，它僅使用最重要的係數顯示整個影像的粗略預覽，後續通過則加入更精細的細節。
PJPEG 格式的一個關鍵面向是其壓縮過程，分為兩個主要階段：有損和無損。有損階段涉及量化 DCT 係數，這會降低影像細節的精確度，但會顯著縮小檔案大小。在此階段，係數會重新排序，以優先處理視覺上最重要的資訊。無損階段需要進行霍夫曼編碼處理，進一步壓縮影像，而不會造成任何額外的品質損失。這種雙階段壓縮允許 PJPEG 影像漸進載入，而不會犧牲最終影像品質。
將影像編碼成 PJPEG 格式的過程涉及建立影像的多重掃描，每個掃描的細節都增加。第一個掃描會引入基本輪廓，顯示主要顏色和形狀。後續掃描會加入細節層，讓觀看者即 使在影像尚未完全載入前，也能快速掌握影像的精髓。PJPEG 的這個面向對於透過速度較慢的網路連線檢視的影像特別有益，在這種情況下，有效傳遞內容而不影響影像品質至關重要。
檢視以 PJPEG 格式編碼的影像需要相容的網頁瀏覽器或支援漸進式渲染的影像檢視器。隨著影像資料下載，軟體會依序解譯掃描，隨著更多資料可用，以更高保真度的影像呈現更新顯示。這會創造一種使用者體驗，讓影像看起來載入得更快，因為較早、品質較低的影像版本會先出現，然後再逐漸提升細節和清晰度。
PJPEG 相較於標準 JPEG 的另一個優點是檔案大小。雖然儲存同一影像的多重掃描看起來會產生較大的檔案，但 PJPEG 中使用的有效壓縮技術通常會產生相同視覺品質的較小檔案大小。這是因為初始掃描需要相對較少的 DCT 係數來呈現影像，而額外的細節則以高度最佳化的方式加入。這種效率使 PJPEG 成為最佳化網站載入時間和提升整體網頁效能的誘人選項。
在缺點方面，PJPEG 的一個挑戰是需要特定的軟體或瀏覽器支援才能充分受益於其漸進式載入功能。雖然大多數現代網頁瀏覽器都支援 PJPEG，但有些影像編輯軟體可能無法正確處理此格式，導致編輯 PJPEG 檔案時遇到困難。此外，在非常快速的連線中，漸進式載入功能可能不太明顯，因為影像可能會幾乎立即載入，從而抵消漸進式增強。
從開發人員的角度來看，在網站上實作 PJPEG 需要在編碼過程中仔細考量影像品質設定。檔案大小和影像品質之間的平衡至關重要，因為過度壓縮的影像可能會快速載入，但會因品質不佳而讓使用者失望。相反地，壓縮太少可能會導致載入時間較長，進而損害使用者參與度。開發人員還必須了解其受眾使用的瀏覽器和裝置的支援和渲染功能，以確保一致的體驗。
建立 PJPEG 檔案的技術面向涉及能夠處理具有漸進式選項設定的 JPEG 編碼的專業軟體工具。例如，Adobe Photoshop 提供以 PJPEG 格式儲存影像的選項，允許使用者調整掃描數量和壓縮層級。對於網頁開發，有各種線上工具和函式庫可以簡化將標準 JPEG 影像轉換成 PJPEG 的過程，讓開發人員能夠更有效率地最佳化其網頁資源。
從歷史的角度來看，JPEG 格式（包括其漸進式變體）是由聯合影像專家小組在 1990 年代初期開發，作為數位影像和醫學通訊 (DICOM) 標準的一部分。隨著網路和數位攝影的爆炸性成長，JPEG 成為最廣泛使用的影像格式之一，因為其有效的壓縮讓線上分享和顯示影像成為可能。PJPEG 的推出有助於提升使用者體驗，解決當時普遍存在的頻寬和連線速度限制。
PJPEG 的使用不限於網頁影像。它也用於其他領域，其中有效的影像載入和漸進式顯示可以提升使用者體驗。例如，在線上遊戲中，PJPEG 可用於載入遊戲紋理，即使在頻寬受限的情況下，也能為玩家提供無縫的體驗。同樣地，在電子商務中，漸進式影像有助於讓使用者在瀏覽產品圖庫時保持參與度，提高轉換機率。
此外，高解析度顯示器和行動裝置的普及影響了 PJPEG 的應用。在高解析度螢幕上，載入高品質影像可能會消耗大量頻寬。PJPEG 允許影像最初以較低品質顯示，然後漸進式增強，從而達成折衷，縮短感知載入時間。這種方法在行動環境中特別有利，因為資料使用和速度可能是限制因素。
環境考量也在 PJPEG 的採用中扮演角色。透過縮小檔案大小和最佳化載入時間，網站可以減少其資料傳輸量，進而可能降低資料中心和網路基礎設施的能源消耗。這個面向與綠色運算的更廣泛目標一致，強調數位技術中能源效率的重要性。雖然 影像格式選擇對環境的影響可能看似微小，但從網路規模來看，它有助於數位通訊的整體能源效率。
總之，漸進式 JPEG 格式代表了一種影像壓縮和顯示的先進方法，為線上內容傳遞提供了許多好處。透過其漸進式載入功能，PJPEG 可以透過最佳化影像載入時間而不犧牲品質來提升使用者參與度。儘管在實作和相容性方面存在一些挑戰，但 PJPEG 的優點使其成為網頁開發人員、平面設計師和內容創作者的寶貴工具，他們旨在提升其數位產品的視覺體驗。隨著網路技術持續演進，了解和利用 PJPEG 等格式對於有效且永續地傳遞內容仍然至關重要。
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。