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。
PNG32 圖像格式是廣為人知的可攜式網路圖形 (PNG) 格式的延伸，代表 PNG 家族中針對全面色彩深度和透明度支援而最佳化的特定模式。PNG32 中的「32」對應於每個像素使用的位元數，此格式將 8 個位元分別分配給紅色、綠色、藍色和 alpha 通道。此結構讓 PNG32 能夠顯示超過 1600 萬種顏色（RGB 的 24 個位元）並提供完整的透明度設定範圍（alpha 的 8 個位元），使其成為需要平滑漸層和透明度效果的詳細圖像的優先選擇。
PNG 格式是為了克服與早期格式（例如僅支援 256 種顏色和單一透明度層級（開啟或關閉））相關的限制而開發的，作為一個開放的替代方案。PNG 格式（包括 PNG32）支援無失真壓縮。這表示儘管在儲存期間檔案大小會縮小，但圖像不會損失任何細節或品質。此特性對於需要其數位作品忠實呈現原件的平面設計師和攝影師來說特別重要。
PNG32 的技術規格定義在 PNG（可攜式網路圖形）規格中，該規格最初設計於 1990 年代中期。此規格概述了檔案結構，包括標頭、區塊和資料編碼方法。PNG 檔案以 8 位元簽章開頭，接著是一系列區塊。在 PNG32 圖像中，關鍵區塊包括 IHDR（包含影像標頭資料，例如寬度、高度、位元深度和色彩類型）；PLTE（為選用區塊，包含色彩調色盤）；IDAT（包含影像資料）；以及 IEND（標示 PNG 檔案的結尾）。
PNG32 格式的傑出功能之一是它支援 alpha 通道，可控制每個像素的透明度。與僅允許像素完全透明或完全不透明的較簡單透明度方法不同，PNG32 中的 alpha 通道提供 256 個透明度層級。這表示像素可以有不同程度的可見度，從完全透明到完全不透明，可以在不影響底層影像品質的情況下進行複雜的合成和疊加。
PNG32 影像中的壓縮是使用濾波器和 DEFLATE 壓縮演算法的組合來實現的。在壓縮之前，影像的每一行都會經過濾波以降低其複雜度，基本上讓它更容易壓縮。每個行的濾波器選擇是動態的，演算法會選擇最有效率的選項來最小化檔案大小。在濾波後，影像資料會使用 DEFLATE 壓縮，這是一種無失真資料壓縮演算法，可以在不犧牲影像品質的情況下縮小檔案大小。濾波器和 DEFLATE 壓縮的組合讓 PNG32 檔案大小精簡，同時確保影像保持銳利和清晰。
PNG32 格式的使用已廣泛應用於各種應用程式中，包括網頁設計、攝影和平面設計，原因在於其靈活性、品質和透明度功能。在網頁設計中，PNG32 影像通常用於標誌、圖示和其他需要清晰細節和平滑透明度邊緣的元素。此格式也普遍用於影像品質不能妥協的應用程式中，例如數位攝影和平面設計專案。在支援透明度的同時，能夠維持色彩保真度和精細細節，讓 PNG32 成為這些領域中無價的工具。
儘管有其優點，PNG32 格式確實有一些缺點，特別是在檔案大小方面。由於其高色彩深度和透明度支援，PNG32 檔案可能比 JPEG 或沒有 alpha 透明度的原始 PNG 格式等較簡單格式的檔案大很多。這可能會導致網站載入時間較長和頻寬使用量較高。因此，雖然 PNG32 非常適合需要高保真度和透明度的影像，但它可能不適合所有應用程式，特別是在頻寬或儲存空間有限的情況下。
為了解決與檔案大小相關的一些問題，可以對 PNG32 影像套用各種最佳化技術。PNGCrush、OptiPNG 和 TinyPNG 等工具使用不同的策略來縮小檔案大 小，而不會損失影像品質。這些工具會分析影像以移除不必要的元資料、調整壓縮參數，甚至在不會顯著影響視覺品質的區域中降低色彩深度。雖然這些最佳化可以讓 PNG32 檔案更易於管理，但重要的是在縮小檔案大小和維持影像視覺品質的完整性之間取得平衡。
除了用於靜態影像之外，PNG32 的透明度功能也讓它成為更複雜的圖形任務的絕佳選擇，例如為電玩遊戲建立角色精靈或為影片製作疊加元素。詳細的透明度控制允許 PNG32 影像無縫整合到各種背景和設定中，增強數位媒體的視覺吸引力。它處理具有平滑透明度的詳細圖形的的能力也讓它適合進階網頁應用程式和互動媒體，其中使用者體驗和視覺品質至關重要。
PNG32 格式在不同軟體和平台上的廣泛支援是另一個關鍵優勢。主要的網頁瀏覽器、平面設計軟體和影像編輯工具都支援 PNG32，使其成為專業人士和業餘人士都容易使用且取得的通用格式。此格式包含在產業標準軟體中，確保 PNG32 仍然是從簡單網頁圖形到複雜數位藝術專案等各種應用程式的可靠選擇。
展望未來，網頁技術和數位影像標準的持續演進可能會影響 PNG32 格式的角色和應用。隨著 WebP 和 AVIF 等較新格式的出現，這些格式提供與 PNG32 相當的品質，但壓縮效果更好且檔案大小更小，可能會在某些使用案例中轉移偏好。這些較新的格式提供了令人信服的替代方案，特別是對於效能和載入時間至關重要的網頁應用程式。然而，PNG32 的穩健性、廣泛相容性和優異的透明度處理確保它在這些屬性至關重要的領域中持續具有相關性。
教育資源和社群也在維持 PNG32 格式的相關性和使用率方面扮演著至關重要的角色。透過教學課程、論壇和文件，新舊使用者都可以瞭解 PNG32 的優點和應用，以及其使用和最佳化的最佳實務。這種集體知識分享有助於解決與檔案大小和特定應用考量相關的挑戰，確保 PNG32 格式仍然是高品質和透明影像的首選。
總之，PNG32 影像格式代表數位影像的重大進步，提供無與倫比的色彩深度和透明度功能。其技術規格，包括無失真壓縮和 alpha 通道支援，使其成為從網頁設計到複雜數位藝術等廣泛應用程式的通用選擇。雖然檔案大小和新興競爭格式的考量構成挑戰，但 PNG32 在品質和透明度處理方面的優勢使其仍然是數位影像領域中不可或缺的格式。隨著數位影像技術的進步，PNG32 的角色將會演變，但它在實現高品質、透明影像方面的貢獻將仍然是數位圖形歷史中值得注意的一章。
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。