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。
PNG64 影像格式是廣泛認可的 Portable Network Graphics (PNG) 格式的增強版本，專門滿足數位影像中對更高色彩深度和增強透明度功能的需求。此進階版本透過支援 64 位元色彩深度，擴充了傳統 PNG 的功能，基本上每個通道包含 16 位元（紅色、綠色、藍色）和額外 16 位元（alpha 透明度通道）。這項基本增強開啟了影像品質的新紀元，允許超過 281 兆個色彩，從而確保影像以無與倫比的精確度和鮮豔度呈現。
PNG64 格式的創建可以追溯到各種應用程式（包括數位藝術、專業攝影和高畫質平面設計）中對數位影像更高保真度的需求日益增加。傳統的影像格式（例如 JPEG 或標準 PNG）在色彩深度上受到限制，每個通道通常上限為 8 或 16 位元，這可能導致漸層色帶和對比場景中細節捕捉不足。PNG64 透過大幅增加影像中可編碼的色彩和細節範圍來解決這些限制，使其成為尋求最高品質的專業人士的寶貴工具。
PNG64 格式的核心在於維持其前身的結構完整性和功能性，利用相同的無失真壓縮演算法，確保儲存時不會損失影像品質。這對於歸檔目的和精確度至上的產業（例如數位歸檔和科學影像）特別重要。PNG64 的無失真特性表示，儘管其保真度較高，但影像可以壓縮到可管理的大小，而不會犧牲任何細節，使其成為離線和線上使用的實用選擇。
PNG64 中增強的 alpha 透明度通道代表了半透明和透明物體渲染的重大進步。PNG64 專門為透明度分配 16 位元，允許更平滑的不透明度層級漸層，從完全透明 到完全不透明。此功能在平面設計中特別有益，其中細微的透明度效果會顯著影響視覺呈現，以及在網頁設計中，其中圖示和介面元素通常需要精確的透明度才能與各種背景無縫融合。
採用 PNG64 需要考慮某些事項，特別是在檔案大小和相容性方面。由於色彩和透明度深度擴充，PNG64 檔案本質上比其 PNG 對應檔案更大。這對網頁使用有影響，其中載入時間和頻寬使用量是關鍵因素。因此，建議謹慎使用 PNG64，將其保留在影像品質優先於檔案大小的情況下使用。此外，與不支援每個通道 16 位元的較舊軟體或系統的相容性可能會構成挑戰，需要檢查最終使用者環境以確保無縫體驗。
PNG64 的技術基礎植基於其檔案結構，其與標準 PNG 檔案的結構非常相似。PNG64 檔案包含一個標頭，其中包含有關影像的重要資訊（例如其尺寸和位元深度），然後是幾個儲存實際影像資料和元資料的區塊。PNG64 中增加的位元深度需要修改這些區塊，讓它們能夠容納 64 位元色彩影像所需的大量資料。其中，影像標頭 (IHDR) 區塊扮演著關鍵角色，因為它必須正確發出每個通道的 16 位元深度訊號，以確保正確解碼和顯示。
PNG64 中的壓縮仍然是其最令人印象深刻的功能之一，採用與標準 PNG 檔案相同的 DEFLATE 演算法。儘管資料量增加，此演算法透過識別和消除影像資料中的冗餘，有效地減少了檔案大小。但是，壓縮的有效性會根據影像內容而異；具有大面積均勻色彩或簡單圖案的影像往往能更有效地壓縮。這種固有的可變性強調了在選擇 PNG64 時考慮影像性質的重要性，因為色彩變化大的複雜影像可能會導致更大的檔案大小。
PNG64 影像的建立和處理需要能夠處理此格式固有進階功能的特定軟體。許多高階影像編輯和繪圖軟體已更新以支援 PNG64，使用戶能夠直接使用此格式。這包括調整位元深度、管理色彩設定檔和微調透明度設定等功能。對於開發人員來說，libpng 等函式庫已擴充以包含對 PNG64 的支援，促進此格式整合到應用程式和服務中。
PNG64 的主要應用之一是數位攝影，其中捕捉光線中最廣泛的色彩和細微差別至關重要。攝影師可以受益於此格式維持原始場景完整性的能力，微妙的色調和漸層色調以驚人的細節保留下來。這使得 PNG64 成為儲存照片母版副本的理想選擇，提供一個數位負片，可以準確複製或修改，而不會劣化。
在數位藝術和平面設計領域，PNG64 的深色和透明度功能開啟了新的創意可能性。藝術家可以使用更廣泛的色彩調色盤和微妙的透明度效果，這在複雜的構圖或使用各種混合模式時特別重要。增強的細節和色彩特異性也使 PNG64 適用於專業印刷場景，其中複製藝術品的真實色彩和紋理至關重要。
儘管有許多優點，PNG64 仍有其挑戰，特別是在效能和儲存方面。與 PNG64 影像相關的較大檔案大小可能會影響儲存解決方案並降低影像處理時間，特別是在資源有限的環境中。此外，處理 64 位元色彩資料的複雜性增加對硬體和軟體的要求，可能會限制 PNG64 在低規格裝置中的使用並影響整體系統效能。
PNG64 在數位影像領域的未來看起來很有希望，壓縮演算法和處理硬體的持續改進逐漸減輕了與檔案大小和效能相關的疑慮。隨著技術的進步，預計品質和效率之間的取捨將會減少，使 PNG64 更容易取得且對更廣泛的應用程式更具吸引力。此外，視覺保真度在數位內容建立和消費中的重要性日益增加，強調了 PNG64 格式的持續相關性和潛在擴充。
總之，PNG64 影像格式代表了數位影像技術的重大進步，提供了前所未有的色彩深度和透明度控制。它以非凡的細節和鮮豔度呈現影像的能力，使其成為專業人士和愛好者的引人注目的選擇。雖然此格式在檔案大小、相容性和效能方面帶來挑戰，但它在影像品質方面提供的優點是無與倫比的。隨著數位影像產業持續發展，PNG64 成為對視覺表現完美追求的證明，有望在數位藝術、攝影和平面設計的未來扮演關鍵角色。
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。