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。
可攜式浮點圖 (PFM) 檔案格式是一種鮮為人知但至關重要的影像格式，特別是在需要影像資料具有高保真度和精確度的領域。與設計用於一般用途和網路圖形的 JPEG 或 PNG 等較常見格式不同，PFM 格式專門設計用於儲存和處理高動態範圍 (HDR) 影像資料。這表示它可以表示比傳統 8 位元甚至 16 位元影像格式更廣泛的亮度層級。PFM 格式透過使用浮點數來表示每個畫素的強度來達成此目的，允許從最暗的陰影到最亮的亮部，幾乎無限範圍的亮度值。
PFM 檔案的特點是儲存 HDR 資料時簡單且有效率。PFM 檔案基本上是一個二進位檔案，包含一個標頭區段，後接畫素資料。標頭是 ASCII 文字，可供人類閱讀，並指定有關影像的重要資訊，例如其尺寸（寬度和高度）以及畫素資料是否儲存在灰階或 RGB 格式中。在標頭之後，畫素資料以二進位格式儲存，每個畫素的值表示為 32 位元（對於灰階影像）或 96 位元（對於 RGB 影像）IEEE 浮點數。此結構使格式易於在軟體中實作，同時提供 HDR 影像所需的精確度。
PFM 格式的一個獨特方面是它同時支援小端序和大分序位元組順序。這種靈活性確保格式可以在不同的運算平台上使用，而不會有相容性問題。位元組順序在標頭中由格式識別碼表示：RGB 影像為「PF」，灰階影像為「Pf」。如果識別碼是大寫，表示檔案使用大分序位元組順序；如果是小寫，表示檔案使用小端序。此機制不僅優雅，而且對於在具有不同位元組順序的系統之間共用檔案時，維持浮點數 資料的準確性至關重要。
儘管 PFM 格式在表示 HDR 影像方面有其優點，但由於使用浮點表示法表示每個畫素會導致檔案大小龐大，因此它並未廣泛用於消費應用程式或網路圖形。此外，大多數顯示裝置和軟體並未設計為處理 PFM 檔案提供的高動態範圍和精確度。因此，PFM 檔案主要用於專業領域，例如電腦圖形研究、視覺效果製作和科學視覺化，這些領域需要最高的影像品質和保真度。
PFM 檔案的處理需要能夠準確讀寫浮點數資料的專用軟體。由於格式採用有限，因此此類軟體不如更普遍的影像格式工具常見。儘管如此，多款專業級影像編輯和處理應用程式確實支援 PFM 檔案，使用戶能夠處理 HDR 內容。這些工具通常不僅提供檢視和編輯功能，還提供將 PFM 檔案轉換為更傳統格式的功能，同時嘗試透過色調對應和其他技術保留儘可能多的動態範圍。
使用 PFM 檔案時最重大的挑戰之一是消費硬體和軟體中普遍缺乏對 HDR 內容的支援。儘管近年來 HDR 支援逐漸增加，一些較新的顯示器和電視能夠顯示更廣泛的亮度層級，但生態系統仍在迎頭趕上。這種情況通常需要將 PFM 檔案轉換為相容性更廣泛的格式，儘管代價是失去一些使 PFM 格式在專業用途上如此有價值的動態範圍和精確度。
除了在儲存 HDR 影像中的主要角色之外，PFM 格式還以其簡潔性而聞名，這使其成為電腦圖形和影像處理中教育目的和實驗專案的絕佳選擇。其直觀的結構允許學生和研究人員輕鬆理解和處理 HDR 資料，而不會陷入複雜的檔案格式規格中。這種易用性，加上格式的精確度和靈活性，使 PFM 成為學術和研究環境中無價的工具。
PFM 格式的另一個技術特點是它支援無限數和次正規數，這要歸功於它使用 IEEE 浮點表示法。此功能在科學視覺化和某些 類型的電腦圖形工作中特別有用，在這些工作中需要表示極端值或資料中非常精細的漸層。例如，在物理現象的模擬或使用極亮光源渲染場景時，準確表示非常高或非常低的強度值至關重要。
然而，PFM 格式浮點精確度的優點會在處理這些檔案時增加運算需求，特別是對於大型影像。由於每個畫素的值都是浮點數，因此影像縮放、濾波或色調對應等運算可能比傳統基於整數的影像格式更耗費運算資源。這種對更多處理能力的需求在即時應用程式或功能有限的硬體中可能會成為限制。儘管如此，對於影像品質至上的應用程式，其優點遠遠超過這些運算挑戰。
PFM 格式還包括在標頭中指定縮放因子和位元組順序的規定，這進一步增加了其通用性。縮放因子是一個浮點數，允許檔案指示檔案畫素值的數值範圍所表示的物理亮度範圍。此功能對於確保在不同專案中使用 PFM 檔案或在合作者之間共用檔案時，清楚了解畫素值與真實世界亮度值之間的關聯性至關重要。
儘管 PFM 格式具有技術優勢，但在專業和學術環境之外更廣泛地採用它時，它面臨著重大的挑戰。處理 PFM 檔案需要專用軟體，加上龐大的檔案大小和運算需求，意味著與更普遍的格式相比，它的使用仍然有限。要讓 PFM 格式獲得更廣泛的接受度，需要在能夠顯示 HDR 內容的可用硬體和軟體生態系統對高保真度、高動態範圍影像的支援方面有顯著的轉變。
展望未來，PFM 格式和 HDR 影像的未來通常與顯示技術和影像處理演算法的進步息息相關。隨著能夠呈現更廣泛亮度層級的顯示器變得越來越普遍，以及運算資源變得更容易取得，使用 PFM 等 HDR 格式的障礙可能會減少。此外，隨著對處理浮點影像資料的更有效率演算法的持續研究，處理 PFM 檔案和傳統影像格式之 間的效能差距可能會縮小，進一步促進 HDR 影像在更廣泛的應用程式中採用。
總之，可攜式浮點圖 (PFM) 格式代表了高動態範圍影像領域的一項關鍵技術，為表示廣泛的亮度層級提供了無與倫比的精確度和靈活性。儘管其複雜性以及對專用軟體和硬體的需求限制了其採用範圍僅限於專業和學術環境，但 PFM 格式的功能使其成為影像保真度至關重要的領域中無價的資產。隨著技術生態系統持續演進，PFM 和 HDR 內容有可能更深入整合到主流應用程式中，為更廣泛的受眾豐富視覺體驗。
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。