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。
JPS 影像格式，JPEG 立體影像的簡稱，是一種用於儲存數位相機拍攝或 3D 繪圖軟體建立的立體照片的檔案格式。它本質上是將兩個 JPEG 影像並排排列在單一檔案中，透過適當的軟體或硬體觀看時，可提供 3D 效果。此格式特別適用於在影像中創造深度錯覺，可為配備相容顯示系統或 3D 眼鏡的使用者提升觀看體驗。
JPS 格式利用成熟的 JPEG（聯合影像專家小組）壓縮技術來儲存兩個影像。JPEG 是一種有損壓縮方法，表示它會透過有選擇性地捨棄較不重要的資訊來縮小檔案大小，通常不會讓人類肉眼察覺到影像品質的下降。這使得 JPS 檔案相對較小且易於管理，儘管它包含兩個影像，而不是一個。
JPS 檔案本質上是一個具有特定結構的 JPEG 檔案。它包含兩個 JPEG 壓縮影像，並排排列在單一畫格中。這些影像稱為左眼和右眼影像，它們代表同一個場景略微不同的視角，模擬我們每隻眼睛所見的細微差異。這種差異正是當影像正確觀看時，能讓人感知到深度的關鍵。
JPS 影像的標準解析度通常是標準 JPEG 影像寬度的兩倍，以容納左右兩側的影像。例如，如果標準 JPEG 影像的解析度為 1920x1080 像素，則 JPS 影像的解析度將為 3840x1080 像素，每個並排影像佔總寬度的二分之一。然而，解析度會根據影像來源和預期用途而有所不同。
要以 3D 方式觀看 JPS 影像，觀看者必須使用相容的顯示裝置或軟體，才能解讀並排影像並將它們分別呈現給每隻眼睛。這可透過各種方法達成，例如：紅藍立體眼鏡，其中影像會以顏色過濾並透過有色眼鏡觀看；偏光立體眼鏡，其中影像會透過偏光濾鏡投影並透過偏光眼鏡觀看；或主動快門立體眼鏡，其中影像會交替顯示並與快門眼鏡同步，快門眼鏡會快速開啟和關閉，讓每隻眼睛看到正確的影像。
JPS 影像的檔案結構類似於標準 JPEG 檔案。它包含一個標頭，其中包括 SOI（影像起始）標記，後接一系列包含各種元資料和影像資料本身的區段。這些區段包括 APP（應用程式）標記，其中可能包含 Exif 元資料等資訊，以及 DQT（定義量化表）區段，其中定義用於壓縮影像資料的量化表。
JPS 檔案中的關鍵區段之一是 JFIF（JPEG 檔案交換格式）區段，其中指定檔案符合 JFIF 標準。此區段對於確保與各種軟體和硬體相容性非常重要。它還包含縮圖影像的長寬比和解析度等資訊，可供快速預覽使用。
JPS 檔案中的實際影像資料儲存在 SOS（掃描起始）區段中，該區段位於標頭和元資料區段之後。此區段包含左右兩側影像的壓縮影像資料。資料使用 JPEG 壓縮演算法編碼，其中包含一系列步驟，包括色彩空間轉換、次採樣、離散餘弦轉換 (DCT)、量化和熵編碼。
色彩空間轉換是將影像資料從 RGB 色彩空間（數位相機和電腦顯示器中常用的色彩空間）轉換為 YCbCr 色彩空間（JPEG 壓縮中使用的色彩空間）的過程。此轉換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。這對於壓縮很有幫助，因為人眼對亮度的變化比對色彩更敏感，因此可以更積極地壓縮色度元件，而不會顯著影響感知到的影像品質。
次採樣是一種利用人眼對色彩細節敏感度較低的特性，將色度元件的解析度相對於亮度元件降低的過程。常見的次採樣比率包括 4:4:4（無次採樣）、4:2:2（將色度元件的水平解析度減半）和 4:2:0（將色度元件的水平和垂直解析度都減半）。次採樣比率的選擇會影響影像品質和檔案大小之間的平衡。
離散餘弦轉換 (DCT) 會套用於影像的小區塊（通常為 8x8 像素），將空間域資料轉換為頻率域。此步驟對於 JPEG 壓縮至關重要，因為它允許將影像細節分為重要性不同的元件，其中較高頻率的元件通常較難被人眼察覺。然後可以對這些元件進行量化或降低精度，以達到壓縮效果。
量化是將一系列值對應到單一量子值的過程，有效地降低 DCT коэффициент的精度。這是 JPEG 壓縮有損性質發揮作用的地方，因為會捨棄一些影像資訊。量化的程度由 DQT 區段中指定的量化表決定，可以調整它來平衡影像品質和檔案大小。
JPEG 壓縮過程中的最後一個步驟是熵編碼，這是一種無損壓縮形式。JPEG 中最常用的方法是霍夫曼編碼，它會將較短的碼分配給較頻繁的值，將較長的碼分配給較不頻繁的值。這會縮小影像資料的整體大小，而不會進一步損失資訊。
除了標準的 JPEG 壓縮技術外，JPS 格式還可能包含與影像的立體性質相關的特定元資料。此元資料可能包含有關視差設定、會聚點以及正確顯示 3D 效果所需的任何其他資料的資訊。此元資料通常儲存在檔案的 APP 區段中。
JPS 格式受到各種軟體應用程式和裝置支援，包括 3D 電視、VR 頭戴式裝置和專業照片檢視器。然而，它不像標準 JPEG 格式那樣廣泛受到支援，因此使用者可能需要使用特定軟體或將 JPS 檔案轉換為其他格式以獲得更廣泛的相容性。
JPS 格式的挑戰之一是確保左右影像正確對齊並具有正確的視差。對齊錯誤或視差不正確會導致不舒服的觀看體驗，並可能造成眼睛疲勞或頭痛。因此，攝影師和 3D 藝術家仔細 捕捉或建立具有正確立體參數的影像非常重要。
總之，JPS 影像格式是一種專門的檔案格式，用於儲存和顯示立體影像。它建立在既有的 JPEG 壓縮技術之上，創造出儲存 3D 照片的緊湊且有效率的方式。儘管它提供了獨特的觀看體驗，但此格式需要相容的硬體或軟體才能以 3D 方式觀看影像，並且在對齊和視差方面可能存在挑戰。儘管有這些挑戰，JPS 格式仍然是攝影師、3D 藝術家和愛好者用於以數位格式捕捉和分享世界深度和真實性的寶貴工具。
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。