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。
JPEG（聯合圖像專家小組）圖像格式，通常稱為 JPG，是一種廣泛使用的有損壓縮數位影像方法，特別是針對數位攝影產生的影像。壓縮程度可以調整，允許在儲存大小和影像品質之間進行可選擇的權衡。JPEG 通常可以達到 10:1 的壓縮比，而影像品質幾乎沒有明顯損失。
JPEG 壓縮用於多種影像檔案格式。JPEG/Exif 是數位相機和其他攝影影像擷取裝置最常用的影像格式；與 JPEG/JFIF 一起，它是網際網路上儲存和傳輸攝影影像最常見的格式。這些格式變體通常沒有區別，而僅稱為 JPEG。
JPEG 格式包含多種標準，包括 JPEG/Exif、JPEG/JFIF 和 JPEG 2000，JPEG 2000 是一種較新的標準，提供更好的壓縮效率和更高的運算複雜度。JPEG 標準很複雜，有各種部分和設定檔，但最常用的 JPEG 標準是基線 JPEG，這是大多數人在提到「JPEG」影像時所指的。
JPEG 壓縮演算法的核心是一種基於離散餘弦轉換 (DCT) 的壓縮技術。DCT 是一種與離散傅立葉轉換 (DFT) 類似的傅立葉相關轉換，但僅使用餘弦函數。使用 DCT 是因為它具有將大部分訊號集中在頻譜的低頻率區域的特性，這與自然影像的特性密切相關。
JPEG 壓縮過程包含幾個步驟。最初，影像會從其原始色彩空間（通常為 RGB）轉換為稱為 YCbCr 的不同色彩空間。YCbCr 色彩空間將影像分為亮度元件 (Y)，代表亮度等級，以及兩個色度元件 (Cb 和 Cr)，代表色彩資訊。這種分離是有益的，因為人眼對亮度的變化比對色彩更敏感，允許更積極地壓縮色度元件，而不會顯著影響感知的影像品質。
在色彩空間轉換後，影像會分割成區塊，通常大小為 8x8 像素。然後會個別處理每個區塊。對於每個區塊，會套用 DCT，將空間域資料轉換為頻率域資料。此步驟至關重要，因為它使影像資料更易於壓縮，因為自然影像往往具有比高頻率元件更重要的低頻率元件。
套用 DCT 後，會對產生的係數進行量化。量化是將一大組輸入值對應到較小的一組值的過程，有效地減少儲存它們所需的位元數。這是 JPEG 壓縮中損失的主要來源。量化步驟由量化表控制，該表決定對每個 DCT 係數套用多少壓縮。透過調整量化表，使用者可以在影像品質和檔案大小之間進行權衡。
量化後，會透過之字形掃描將係數線性化，按遞增頻率對它們排序。此步驟很重要，因為它將較可能重要的低頻率係數和量化後較可能為零或接近零的高頻率係數分組在一起。此排序有助於下一個步驟，即熵編碼。
熵編碼是一種無損壓縮方法，套用於量化的 DCT 係數。JPEG 中最常用的熵編碼形式是霍夫曼編碼，儘管標準也支援算術編碼。霍夫曼編碼透過將較短的碼分配給較頻繁的元素，將較長的碼分配給較不頻繁的元素來運作。由於自然影像在量化後往往有許多零或接近零的係數，特別是在高頻率區域，因此霍夫曼編碼可以顯著減少壓縮資料的大小。
JPEG 壓縮過程中的最後一步是將壓縮資料儲存在檔案格式中。最常見的格式是 JPEG 檔案交換格式 (JFIF)，它定義如何表示壓縮資料和相關的元資料，例如量化表和霍夫曼碼表，在一個可以由各種軟體解碼的檔案中。另一種常見的格式是可交換影像檔案格式 (Exif)，它由數位相機使用，並包含相機設定和場景資訊等元資料。
JPEG 檔案也包含標記，它們是定義檔案中特定參數或動作的碼序列。這些標記可以表示影像的開始、影像的結束、定義量化表、指定霍夫曼碼表等等。標記對於正確解碼 JPEG 影像至關重要，因為它們提供從壓縮資料重建影像所需的資訊。
JPEG 的主要特點之一是它支援漸進式編碼。在漸進式 JPEG 中，影像會以多重傳遞編碼，每次傳遞都會改善影像品質。這允許在檔案仍在下載時顯示影像的低品質版本，這對於網路影像特別有用。漸進式 JPEG 檔案通常比基線 JPEG 檔案大，但載入期間的品質差異可以改善使用者體驗。
儘管 JPEG 廣泛使用，但它有一些限制。壓縮的有損性質可能會導致偽影，例如區塊化（影像可能顯示出可見的正方形）和「振鈴」（邊緣可能伴隨著雜散振盪）。這些偽影在較高的壓縮等級下更為明顯。此外，JPEG 不適合具有銳利邊緣或高對比文字的影像，因為壓縮演算法可能會模糊邊緣並降低可讀性。
為了解決原始 JPEG 標準的一些限制，開發了 JPEG 2000。JPEG 2000 提供了多項改進，包括更好的壓縮效率、支援無損壓縮，以及有效處理更廣泛的影像類型。然而，與原始 JPEG 標準相比，JPEG 2000 尚未廣泛採用，這主要是由於運算複雜度增加以及某些軟體和網路瀏覽器缺乏支援。
總之，JPEG 影像格式是一種複雜但有效的攝影影像壓縮方法。它被廣泛採用是因為它在影像品質和檔案大小之間取得平衡的靈活性，使其適用於各種應用，從網路圖形到專業攝影。儘管它有缺點，例如容易產生壓縮偽影，但它易於使用且支援各種裝置和軟體，使其成為當今最受歡迎的影像格式之一。
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。