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。
PICT 影像格式由 Apple Inc. 於 1980 年代開發，主要設計用於 Macintosh 電腦上的圖形應用程式。作為 Mac OS 圖形基礎架構的關鍵部分，PICT 不僅作為一種影像格式，還作為一個複雜的系統，用於儲存和處理向量圖形、點陣圖影像，甚至文字。PICT 格式的多功能性，允許它儲存各種圖形資料類型，使其成為早期 Macintosh 平台上開發和呈現圖形的基礎工具。
在核心部分，PICT 格式以其複雜的結構為特色，旨在將向量和光柵圖形容納在單一檔案中。這種二元性允許 PICT 檔案包含具有可縮放向量的詳細插圖，以及豐富的基於像素的影像。這種組合對於平面設計師和出版商來說特別有利，為他們提供了高度的靈活性，可以精確且高品質地建立和編輯影像，在當時是無與倫比的。
PICT 格式的一個關鍵特點是使用操作碼，或運算碼，它命令 Macintosh QuickDraw 圖形系統執行特定任務。QuickDraw 是 Mac OS 中影像呈現的引擎，它會詮釋這些操作碼來繪製形狀、填滿圖案、設定文字屬性，並管理影像中點陣圖和向量元素的組成。將這些指令封裝在 PICT 檔案中允許動態呈現影像，這項功能領先於當時。
PICT 格式支援各種色彩深度，從 1 位元單色到 32 位元彩色影像。這種廣泛的支援使 PICT 檔案在應用上具有高度的多功能性，可以滿足不同的顯示功能和使用者需求。此外，PICT 與 QuickDraw 系統的整合意味著它可以有效利用 Macintosh 電腦上可用的調色盤和抖動技術，從而確保影像在任何顯示器上都能呈現最佳效果。
PICT 檔案中的壓縮是透過各種方法實現的，其中 PackBits 是一種常用的技術，用於縮小點陣圖影像的檔案大小，而不會顯著損失品質。此外，PICT 檔案中的向量元素與點陣圖影像相比，本質上需要較少的儲存空間，這有助於該格式有效處理複雜的圖形。PICT 的這個方面使其特別適合需要儲存和處理高品質影像且檔案大小可控的應用程式。
文字處理是 PICT 格式另一個出色的方面，它允許文字嵌入在影像中，同時保留字型樣式、大小和對齊規格。此功能是由格式精密的利用操作碼來控制文字呈現而實現的，這使得 PICT 檔案非常適合需要整合圖形和文字元素的文件。將文字和圖形如此無縫地結合在一起的能力對於出版和設計應用程式來說是一個顯著的優勢。
PICT 檔案通常以 512 位元組的標頭開始，保留給檔案系統資訊，然後是實際的影像資料，從大小和框架定義開始。框架定義了影像的邊界，有效地設定了要呈現圖形和文字的工作空間。在框架定義之後，檔案被描繪成一系列操作碼，每個操作碼後面跟著其特定資料，定義要執行的各種圖形元素和操作。
雖然 PICT 格式在靈活性與功能性方面表現出色，但其專有性質和數位圖形的演進最終導致其衰落。更開放且多功能的格式的出現，能夠處理具有更好壓縮演算法和跨平台相容性的複雜圖形，例如 PNG 和 SVG，使得 PICT 較不普遍。儘管如此，PICT 格式仍然是數位圖形歷史上的重要里程碑，體現了其時代的創新精神和無縫整合向量和點陣圖形的驅動力。
PICT 格式最引人注目的方面之一是其在可擴充性和品質保留方面的超前設計。與純粹基於點陣圖的格式不同，當縮放時會失去清晰度，PICT 檔案中的向量組件可以在不影響其品質的情況下調整大小。此功能對於印刷材 料特別有益，在印刷材料中，能夠將影像向上或向下縮放以適應不同的版面而不會降低品質至關重要。
在教育和專業領域，PICT 檔案找到了其獨特功能備受重視的利基市場。例如，在桌面出版和平面設計中，精確度和品質至上，PICT 提供了當時其他格式無法提供的解決方案。它能夠以高保真度處理文字、圖形和影像的複雜組合，使其成為從時事通訊和手冊到複雜平面設計的各種應用程式的首選格式。
然而，技術障礙突顯了 PICT 格式在 Macintosh 生態系統之外更廣泛的相容性和適應性方面的挑戰。隨著數位技術的進步，對更具通用相容性的格式的需求也隨之增加。在不同平台和作業環境之間輕鬆分享圖形的必要性導致 PICT 受歡迎程度逐漸下降。此外，網際網路和網路出版的日益普及需要針對快速載入時間和廣泛相容性進行最佳化的影像格式，JPEG 和 GIF 等格式在這些標準上提供了更好的解決方案。
儘管最終被淘汰，但 PICT 格式在塑造數位影像和平面設計的發展方面發揮了形成性的作用。它很早就證明了擁有能夠有效處理各種圖形資料類型之多功能格式的重要性。此外，PICT 的哲學基礎——特別是它整合向量和點陣圖形——影響了後續影像格式和圖形系統的設計，突顯了它對該領域的持久影響。
回顧過去，雖然 PICT 格式可能不再廣泛使用，但它所倡導的原則和所引入的創新在其遺產中得以延續。強調多功能性、品質和在單一檔案中調和不同圖形元素的重點設定了一個先例，這個先例持續影響著數位圖形的演進。因此，雖然較新的格式在普及性和實用性方面已經超越了 PICT，但 PICT 背後的基礎理念仍在平面設計和數位影像領域中引起共鳴。
展望未來，從 PICT 格式的開發和使用中吸取的教訓突顯了數位影像技術不 斷演進的本質。從 PICT 到更先進格式的進展反映了產業對數位影像中效率、相容性和品質的不斷追求。因此，了解 PICT 的歷史和技術複雜性不僅提供了對電腦圖形歷史的見解，還突顯了在數位媒體的未來中適應性和創新的重要性。
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。