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。
Silicon Graphics Image (SGI) 檔案格式，也稱為 RGB 檔案格式，是一種點陣圖檔格式，最初由 Silicon Graphics, Inc. (SGI) 開發。它廣泛用於以壓縮格式儲存高品質圖形，在 1980 年代和 1990 年代很受歡迎，特別是在 3D 動畫和科學視覺化等領域。SGI 影像格式的特點是通用性，支援各種資料類型，包括灰階、索引色彩和真彩色，並可選擇使用或不使用透明度的 alpha 通道。
SGI 影像格式的核心設計是有效處理高解析度影像。它結合了遊程長度編碼 (RLE) 壓縮和直接的檔案結構，在影像品質和檔案大小之間取得平衡。這使其特別適合同時需要視覺資料完整性和儲存效率的應用程式。儘管在網路使用方面被 PNG 和 JPEG 等較新的格式略微取代，但 SGI 格式仍用於專業和藝術環境中，其穩健性和保真度備受重視。
SGI 影像的檔案結構包含一個標頭，接著是可選的色彩對應表資料，然後才是影像資料本身。標頭長度為 512 位元組，包含關鍵資訊，包括魔術數字（識別檔案為 SGI 影像檔案）、儲存格式（影像資料是否使用遊程長度編碼或逐字）、維度數（RGB 影像通常為 3）、x 維度、y 維度、z 維度（色彩通道數）以及像素最小值和最大值。嵌入在標頭中的豐富元資料允許對影像資料進行廣泛的彈性和控制。
在標頭之後，SGI 影像檔案可能包含一個色彩對應表，它是可選的，通常不用於真彩色影像。色彩對應表是為索引色彩影像設計的，其中每個像素的值都是色彩對應表中顏色的指標，允許使用簡化的色彩盤表示複雜的影像。這可以在不損失感知影像品質的情況下顯著縮小檔案大小，使其成為某些圖形應用程式的理想選擇。
SGI 檔案中的影像資料可以儲存在兩種格式之一：未壓縮（逐字）或使用 RLE 壓縮。在未壓縮格式中，像素儲存為直接色彩值，這可能會導致檔案大小變大，但允許快速存取和處理影像資料。相反地，RLE 壓縮試圖透過使用單一值和計數編碼相同像素的序列，而不是個別儲存每個像素，來縮小檔案大小。這可以在影像中具有大面積均勻色彩時達到顯著的壓縮比，但由於需要解壓縮資料，可能會在影像處理中引入額外的負擔。
為了管理可以表示的內容的多樣性，SGI 影像支援多個色彩通道，通常從灰階（1 個通道）到 RGB（3 個通道）和 RGBA（4 個通道，包括透明度）。每個通道分開儲存，在 RLE 壓縮檔案的情況下，每個通道獨立壓縮。這種方法允許有效儲存複雜的影像，並在影像處理和操作中提供靈活性，因為可以個別存取和修改通道。
SGI 影像格式的一個顯著特點是它支援深度色彩深度，允許每個通道超過傳統的 8 位元。此功能支援具有擴展動態範圍和色彩保真度的影像，這在專業領域（例如數位電影）中特別有益，在這些領域中，捕捉和重現細微的色彩漸層至關重要。然而，較高的色彩深度會導致檔案大小變大，必須與儲存和頻寬考量取得平衡。
SGI 影像格式雖然在歷史上具有重要意義且技術上穩健，但在當代數位環境中確實面臨限制。它在現代影像軟體和網路平台上缺乏廣泛的支援，可能會對使用者造成挑戰。此外，RLE 壓縮技術雖然有效，但不如 JPEG 的有損壓縮或 PNG 的無損壓縮等更現代的編解碼器有效率。因此，SGI 檔案可能會更大，不太適合用於頻寬敏感的應用程式，例如線上內容傳遞。
儘管有這些挑戰，SGI 影像格式在特定使用案例中仍然是一個有價值的資產。它處理高解析度和深度色彩深度影像的能力使其成為專業環境中這些屬性至關重要的首選。此外，其檔案結構的簡潔性便於使用自訂工具和腳本進行操作，這在科學視覺化等專業工作流程中特別有利，在這些工作流程中，客製化資料表示和分析很常見。
在技術開發方面，使用 SGI 影像檔案需要深入了解其結構和編碼方案。希望將 SGI 影像支援整合到其應用程式中的程式設計師和開發人員必須擅長解析檔案標頭以準確詮釋元資料，以及實作或利用現有的 RLE 壓縮和解壓縮演算法。此外，由於格式在維度和色彩通道方面的靈活性，應用程式必須能夠動態適應以處理各種影像類型。
此外，將 SGI 影像轉換為更現代的格式以獲得更廣泛的相容性需要仔細考量固有的權衡。例如，將 SGI 影像轉換為色彩深度較低或壓縮演算法較激進的格式可能會導致細節或偽像遺失。因此，開發人員必須實作轉換常式，以最大程度地減少品質劣化，特別是在處理用於專業用途且保真度至上的影像時。
SGI 影像格式的歷史重要性不容小覷。它是在數位影像蓬勃發展的時期開發的，在電腦圖形的演進中扮演了關鍵角色，促進了在計算資源嚴重受限的時代中建立和處理高保真影像。SGI 格式的遺產在其建立的基本原理中可見，其中許多原理繼續影響現代影像處理技術和格式。
展望未來，儘管 SGI 影像格式可能無法恢復其昔日的顯著地位，但其效率和靈活性原則仍持續引起共鳴。當前和未來的影像格式可以從 SGI 如何平衡影像品質和檔案大小、管理色彩深度以及支援透明度中學習。隨著數位影像技術的進步，對通用、高品質影像格式的重視仍然不變，這突顯了 SGI 格式對電 腦圖形領域的持久影響。
總之，SGI 影像格式提供了在影像品質、檔案大小和處理效率之間取得平衡的迷人研究。儘管在現代使用和支援方面面臨挑戰，但其設計原則（特別是它對高解析度、深度色彩深度影像的支援，以及其簡單但靈活的檔案結構）為當前和未來的影像格式提供了寶貴的經驗。隨著數位影像持續演進，了解和欣賞 SGI 等格式的技術複雜性和歷史意義對於該領域的專業人士至關重要，它提供了如何最佳管理、操作和保存數位影像的見解，在不斷變化的技術環境中。
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。