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。
可攜式像素圖 (PPM) 格式是一種最簡單但功能強大的光柵圖形格式，它是 Netpbm 專案的一部分。PPM 格式在設計上非常直接，提供一種以簡潔的方式表示彩色影像的方法，讓人類和機器都能輕鬆讀寫。它與可攜式位元圖 (PBM)（用於黑白影像）和可攜式灰階圖 (PGM)（用於灰階影像）一起歸類在 Netpbm 格式的範疇中。這些格式中的每一個都設計用於封裝具有不同程度色彩深度和複雜度的影像，而 PPM 在色彩表示方面是其中最精密的。
PPM 格式使用一個簡單的 ASCII 文字檔（儘管二進制表示也很常見）來定義影像，其中以直接的方式指定像素色彩資訊。它從一個「魔術數字」開始，表示檔案是 ASCII (P3) 或二進制 (P6) 格式，後面接著空白、影像的維度（寬度和高度）、最大色彩值，然後是實際的像素資料。PPM 檔案中的像素資料由 RGB 色彩值組成，每個組成從 0 到指定的最大值（通常為 255）不等，每個像素允許超過 1,600 萬種可能的色彩組合。
PPM 格式的核心優點之一是它的簡潔性。PPM 檔案的結構非常直接，在 ASCII 模式下可以使用基本的文字編輯工具輕鬆產生或修改。這種簡潔性也延伸到它的處理；與 JPEG 或 PNG 等更複雜的格式相比，撰寫用於剖析或產生 PPM 影像的軟體需要最少的努力。這種可及性使 PPM 成為學術環境或愛好者中基本影像處理任務的熱門選擇，並且是學習影像處理或電腦圖形程式設計的人的踏腳石。
儘管有這些優點，PPM 格式確實有源於其簡潔性的顯著限制。其 中最重要的是缺乏任何壓縮機制，這導致檔案比 JPEG 或 PNG 等更精密的格式中的對應檔案大得多。這使得 PPM 不太適合網路使用或任何儲存空間和頻寬受限的應用程式。此外，PPM 格式不支援任何形式的透明度、圖層或元資料（例如色彩設定檔或 EXIF 資料），這可能會限制其在更複雜的平面設計或攝影工作流程中的效用。
要建立或檢視 PPM 檔案，可以使用 Netpbm 套件中提供的各種工具，或透過支援此格式的許多其他圖形軟體工具。軟體開發人員和研究人員欣賞 PPM 格式的易於實作性。剖析 PPM 檔案（特別是在 ASCII 模式下）很簡單，因為它涉及讀取文字列並根據格式的最小規格來解釋它們。撰寫輸出 PPM 影像的軟體可以一樣簡單，使其成為圖形程式設計課程中的初始專案或快速原型製作的絕佳選擇。
在實務上，處理 PPM 檔案涉及深入瞭解其結構。檔案從一個魔術數字開始（ASCII 為「P3」，二進制為「P6」），後面接著空白字元。在魔術數字之後，影像的維度以兩個整數提供，分別代表影像的寬度和高度。這些也以空白分隔。在維度之後，指定最大色彩值，它決定每個 RGB 值的範圍。在大多數情況下，此值為 255，表示每個色彩組成（紅色、綠色和藍色）的範圍可以從 0 到 255。
在標頭之後，接著是每個像素的 RGB 值。在 ASCII 模式 (P3) 中，這些值以純文字寫成單獨的數字，每個 RGB 三元組代表一個像素。像素從左到右、從上到下排列成列。在二進制模式 (P6) 中，色彩值以更緊湊的二進制格式表示，儘管人類較難讀取，但電腦可以更有效率地剖析。RGB 三元組的每個組成通常是一個位元組，導致一個更簡潔的檔案，儘管缺乏壓縮，但與其 ASCII 對應檔案相比，讀寫速度更快。
儘管朝向提供壓縮和附加功能的更進階和更複雜的 影像格式轉變，PPM 格式在各種利基環境中仍保持其相關性。它作為影像處理研究中的一個公分母的能力（其中焦點更多在演算法上，而不是檔案格式的具體細節上）不容小覷。此外，該格式的簡潔性和缺乏壓縮使其成為影像處理保真度至上的場景的理想選擇，因為沒有壓縮偽影造成的影像品質損失。
針對檔案大小的問題（這是 PPM 格式的重大缺點），可以考慮外部壓縮工具作為解決方法。雖然這不會將壓縮整合到檔案格式本身中，但 gzip 等工具可以大幅減少 PPM 檔案所需的儲存空間，使其更易於傳輸或歸檔。然而，這種方法在工作流程中增加了額外的步驟，因為檔案需要與檢視或編輯影像的程序分開壓縮和解壓縮。
進階的影像技術和對更高效率的追求已導致在許多應用程式中開發和偏好 JPEG 和 PNG 等格式。然而，PPM 格式在教授數位影像和程式設計基礎方面的教育價值不容忽視。透過將複雜性簡化為影像檔案的核心組成，學習者可以專注於影響影像轉換、增強和產生的演算法，而不會陷入格式剖析和壓縮演算法的複雜性中。
此外，PPM 格式作為通往更複雜的影像任務和格式的橋樑。在原始像素層級瞭解和使用 RGB 色彩模式提供了基礎知識，適用於電腦圖形和影像處理的幾乎所有領域。從 PPM 格式中處理影像所獲得的經驗為處理更精密的格式及其帶來的挑戰奠定了基礎，例如處理色彩空間、壓縮技術和影像元資料。
總之，可攜式像素圖 (PPM) 格式以其簡潔性和易用性，在電腦圖形和影像處理領域中脫穎而出，成為一個有價值的學習工具。儘管它可能缺乏現代格式的功能和效率，但它的直截了當為初學者提供了深入瞭解影像表示和處理基礎的絕佳機會。對於研究人員、教育工作者和愛好者來說，PPM 格式提供了一個 清晰且易於取得的架構，用於探索數位影像的基礎，既可用作實務工具，也可用作教育資源。
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。