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。
RGB 影像格式代表紅色、綠色和藍色，是數位影像的基石，以接近人類視覺感知的方式擷取和顯示影像。透過結合這三種原色並調整其強度，可以重現廣泛的色彩。此格式的重要性在於它被廣泛採用於各種裝置和平台，從相機和顯示器到智慧型手機和電視，基本上構成了數位彩色影像的骨幹。
RGB 格式的核心建構於加色模型之上。此模型運作的原理是，可以將光線顏色混合在一起以產生一系列其他顏色，其中紅色、綠色和藍色作為原色。當它們以最大強度結合時，會產生白光，而它們的缺失（無光）則會產生黑色。此模型與減色模型形成對比，例如 CMYK（青色、洋紅色、黃色和黑色），用於彩色印刷，其中顏色會從白色（紙張的顏色）中減去。
在實際應用中，RGB 影像是由數百萬個像素構成，每個像素都是影像中最小的元素。每個像素包含三個組成部分（通道），分別代表紅色、綠色和藍色光的強度。每個顏色的強度通常使用 8 位元比例來量化，範圍從 0 到 255，其中 0 表示沒有強度，而 255 表示最大亮度。因此，此比例允許超過 1600 萬種可能的顏色組合（256^3），能夠重現廣泛的色彩。
RGB 影像的建立和處理涉及許多技術考量和程序。例如，數位相機會使用感測器上的濾光片陣列，將其擷取的光線轉換為 RGB 值。此陣列（通常是拜耳濾光片）只允許紅色、綠色或藍色光通過每個感測器像素。相機的軟體會處理這些原始資料，並內插這些值以產生全彩影像。同樣地， 當 RGB 影像顯示在螢幕上時，每個像素的顏色都是透過調整背光或現代顯示器中個別發光二極體 (LED) 的紅色、綠色和藍色組成部分的強度來產生。
RGB 影像的編碼和儲存是另一個重要的技術面向。雖然基本前提涉及儲存每個像素的三個顏色值，但實際的實作可能差異很大。JPEG、PNG 和 GIF 等檔案格式在處理 RGB 資料的方式上各有其細微差別，特別是在壓縮方面。例如，JPEG 使用有損壓縮技術，透過捨棄一些影像資料來縮小檔案大小，這可能會影響影像品質。PNG 提供無損壓縮，以較大的檔案大小為代價來保留影像品質。GIF 雖然也使用無損壓縮，但僅限於 256 種顏色，使其不太適合全彩照片，但非常適合較簡單的圖形。
除了擷取和顯示顏色的基礎知識之外，RGB 格式在數位影像的更複雜面向中扮演著至關重要的角色，例如色彩管理和伽瑪校正。色彩管理確保顏色在不同的裝置和觀看條件下保持一致。它涉及色彩描述檔，描述顏色應如何詮釋。伽瑪校正調整影像的亮度，補償我們眼睛感知光線的非線性方式和顯示裝置的非線性回應。兩者對於實現準確且一致的色彩重現至關重要。
儘管 RGB 格式無處不在且有效，但它確實有其限制。一個值得注意的挑戰是不同裝置詮釋和顯示 RGB 值的方式不同，導致色彩重現出現差異。此問題源於色彩空間的差異，或裝置可以產生的色彩範圍。sRGB 色彩空間是網際網路和消費性裝置最常見的標準，旨在確保一定程度的一致性。然而，專業級裝置可能會使用 Adobe RGB 或 ProPhoto RGB，以犧牲相容性為代價提供更廣泛的色彩範圍。
對於精確度至上的進階影像處理和科學應用，RGB 格式的變體，例如 scRGB，透過使用更廣的位元深度並包含負值，提供更廣泛的色彩範圍和更高的精確度。這些格式旨在 克服 RGB 的一些限制，提供更廣泛且更準確的色彩表現，但需要更精密的軟體支援和硬體功能。
在使用 RGB 格式時，另一個需要考慮的面向是它在影像辨識和電腦視覺演算法開發中所扮演的角色。在像素層級分析和處理影像、區分顏色和形狀的能力，對於許多應用至關重要，從自動駕駛汽車到人臉辨識技術。RGB 格式的簡潔性和普遍性促進了這些技術的發展，為影像資料提供了一致的架構。
RGB 格式也與新興技術相交，例如高動態範圍 (HDR) 影像，其目標是增強影像中的亮度範圍，產生更接近人眼可以感知的廣泛光線強度範圍的圖片。HDR 技術通常涉及以超越傳統每個通道 8 位元的限制的方式處理 RGB 值，利用每個通道更多的位元來擷取陰影和亮部中的更多細節。
此外，RGB 格式背後的原理不僅限於靜態影像，也延伸到視訊技術。以數位形式呈現電影仰賴類似的概念，視訊編解碼器會隨著時間編碼和解碼 RGB 資料（或源自 RGB 的格式中的資料，例如 YUV）。這對串流媒體、數位廣播和內容創作有深遠的影響，其中 RGB 資料的有效處理會顯著影響品質和頻寬需求。
考量到環境影響，基於 RGB 的裝置廣泛使用引發了對能源消耗的疑慮。顯示器特別是電子裝置中最耗電的組成部分之一。追求更高的解析度和影像品質會導致運算需求和能源使用增加。這促使人們研究產生和顯示 RGB 影像的更節能方法，包括 LED 技術的進步以及在不影響影像品質的情況下減少處理和傳輸資料量的的方法。
展望未來，RGB 影像技術的演進持續受到材料科學、運算能力和數位通訊標準的進步影響。例如，量子點和有機發光二極體 (OLED) 的發展為創造具有更高亮度、對比度和色彩保真度的顯示器開啟了新的途徑。與此同時，壓縮演算法的進步和更有效率的影像格式的採用，旨在減輕高解析度 RGB 影像帶來的頻寬和儲存挑戰。
總之，RGB 影像格式是數位影像的基本面向，支撐著已成為現代生活不可或缺的各種技術。它的重要性不僅限於色彩重現，還影響技術發展、環境永續性和追求更逼真的數位世界呈現等面向。儘管有挑戰和限制，硬體、軟體和標準的持續創新有望增強 RGB 格式的功能和應用，確保它在數位時代持續發揮作用。
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。