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。
圖形交換格式 (GIF) 是一種位圖影像格式，由線上服務供應商 CompuServe 的團隊開發，由美國電腦科學家史提夫·威爾希特於 1987 年 6 月 15 日領導開發。它因廣泛用於萬維網而聞名，因為它具有廣泛的支援和可移植性。該格式支援每個像素最多 8 位元，允許單一影像參考從 24 位元 RGB 色彩空間中選取的最多 256 種不同色彩的調色盤。它也支援動畫，並允許每個畫格使用最多 256 種色彩的獨立調色盤。
GIF 格式最初是為了克服現有檔案格式的限制而建立的，這些格式無法有效儲存多個位圖色彩影像。隨著網際網路越來越普及，對於一種能夠支援高品質影像且檔案大小足夠小，以便透過速度較慢的網際網路連線下載的格式的需求也越來越高。GIF 使用一種稱為 LZW (Lempel-Ziv-Welch) 的壓縮演算法來縮小檔案大小，而不會降低影像品質。此演算法是一種無失真資料壓縮，是 GIF 成功的一項關鍵因素。
GIF 檔案的結構由幾個區塊組成，這些區塊大致可分為三類：標頭區塊，其中包含簽章和版本；邏輯螢幕描述符，其中包含有關將要呈現影像的螢幕的資訊，包括其寬度、高度和色彩解析度；以及一系列描述影像本身或動畫序列的區塊。這些後面的區塊包括全域色彩表、區域色彩表、影像描述符和控制擴充區塊。
GIF 最顯著的特徵之一是它們能夠在單一檔案中包含多個影像，這些影像會依序顯示以產生動畫效果。這是透過使用圖形控制擴充區塊來實現的，這些區塊允許指定畫格之間的延遲時 間，從而控制動畫速度。此外，這些區塊可用於指定透明度，方法是將色彩表中的其中一種色彩指定為透明，這允許建立具有不同程度不透明度的動畫。
儘管 GIF 以其簡單性和廣泛相容性而聞名，但該格式有一些限制，促使開發和採用替代格式。最顯著的限制是 256 色調色盤，這可能會導致包含超過 256 種色彩的影像的色彩保真度明顯降低。此限制使得 GIF 不太適合用於複製彩色照片和其他具有漸層的影像，而支援數百萬種色彩的格式（例如 JPEG 或 PNG）則較為合適。
儘管有這些限制，GIF 仍然普遍存在，因為它們具有其他格式不易複製的獨特功能，特別是它們對動畫的支援。在 CSS 動畫和 JavaScript 等更現代的網路技術出現之前，GIF 是為網路建立動畫內容最簡單的方法之一。這有助於它們為需要簡單動畫來傳達資訊或吸引注意力的網頁設計師、行銷人員和社群媒體使用者維持一個利基使用案例。
GIF 檔案的標準隨著時間而演變，原始版本 GIF87a 在 1989 年被 GIF89a 取代。後者引入了多項增強功能，包括指定背景色彩和引入圖形控制擴充功能，這使得建立迴圈動畫成為可能。儘管有這些增強功能，但該格式的核心方面，包括使用 LZW 壓縮演算法和支援每個像素最多 8 位元，仍然保持不變。
GIF 格式的一個有爭議的方面是 LZW 壓縮演算法的可專利性。1987 年，美國專利和商標局向 Unisys 和 IBM 頒發了 LZW 演算法的專利。這導致 1990 年代後期出現法律爭議，當時 Unisys 和 CompuServe 宣布計畫對建立 GIF 檔案的軟體收取授權費。這種情況導致線上社群廣泛批評，並最終開發出可攜式網路圖形 (PNG) 格式，該格式被設計為 GIF 的免費且開放的替代方案，不使用 LZW 壓縮。
除了動畫之外，GIF 格式通常用於為網站建立小型、詳細的影像 ，例如標誌、圖示和按鈕。它的無失真壓縮確保這些影像保持其清晰度，使 GIF 成為需要精確像素控制的網路圖形的絕佳選擇。然而，對於高解析度照片或具有廣泛色彩範圍的影像，通常使用支援有失真壓縮的 JPEG 格式，因為它可以在維持可接受的品質水準下大幅縮小檔案大小。
儘管先進的網路技術和格式出現，但 GIF 在近年來重新流行，特別是在社群媒體平台上。它們廣泛用於迷因、反應影像和短迴圈影片。這種重新流行可歸因於多項因素，包括建立和分享 GIF 的容易性、與該格式相關的懷舊情懷，以及它能夠以簡潔、易於消化的格式傳達情緒或反應。
GIF 格式的技術運作相對簡單，讓程式設計師和非程式設計師都可以使用。深入了解該格式涉及了解其區塊結構、它如何透過調色盤編碼色彩，以及它如何使用 LZW 壓縮演算法。這種簡單性不僅使 GIF 容易使用各種軟體工具建立和操作，也促成了它們在快速演變的數位環境中廣泛採用和持續相關。
展望未來，很明顯 GIF 將繼續在數位生態系統中發揮作用，儘管它們有技術限制。新的網路標準和技術，例如 HTML5 和 WebM 影片，提供了建立具有更高色彩深度和保真度的複雜動畫和影片內容的替代方案。然而，GIF 在網路平台上的普遍支援，加上該格式獨特的審美和文化意義，確保它仍然是線上表達創意和幽默的寶貴工具。
總之，GIF 影像格式擁有悠久的歷史，並結合了簡單性、多功能性和文化影響力，在數位媒體世界中佔有特殊的地位。儘管它面臨技術挑戰，並且在某些情況下出現了更好的替代方案，但 GIF 仍然是一種備受喜愛且廣泛使用的格式。它在促進早期網路的視覺文化、民主化動畫以及促進一種新的迷因驅動溝通語言方面的作用不容小覷。隨著技術的演進，GIF 證明了設計良好的數位格式在塑造線上互動和表達方面具有持久的影響力。
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。