OCR 代表光学字符识别。它是一种将文本图像（无论是照片、扫描文档还是没有文本层的 PDF）转换为实际的机器可读字符的技术。了解 OCR 的工作原理有助于您从中获得更好的结果，并对其成功之处和不足之处设定切合实际的期望。
OCR 实际用途
当您扫描文档或拍摄页面照片时，结果是光栅图像 - 彩色像素网格。该图像中的文本在您看来就像文本，但对于计算机来说，它只是暗点和亮点的图案，没有内在含义。 OCR 软件分析这些像素模式，识别与已知字母表中的字符相对应的形状，并将它们转换为计算机可以存储、搜索和处理的文本字符串。
PDF 上的 OCR 输出通常是可搜索的 PDF：该文件在视觉上看起来与原始扫描相同，但现在在图像后面嵌入了不可见的文本层。当您按 Ctrl+F 搜索、复制文本或要求搜索引擎对文档建立索引时，它会使用此文本图层而不是可见图像。
OCR软件如何识别字符
现代 OCR 引擎结合使用图像预处理、模式匹配和机器学习来识别字符。该过程通常分几个阶段进行：
- 预处理：清理图像 - 校正倾斜（倾斜校正）、去除噪声、增强对比度，并且可以对图像进行二值化（转换为纯黑白）以使字符更加清晰地突出。
- 布局分析：软件识别文本块、列、标题、图像和表格在页面上的位置。这决定了读取顺序并防止 OCR 引擎混合相邻列的内容。
- 字符分割：各个字符彼此隔离并与周围的空白隔离。这比听起来更难——草书笔触中的字符、印刷质量差的文档中的字符可能会支离破碎，标点符号可能会被误认为是杂散标记。
- 字符识别：将每个分段字符与经过训练的模型进行比较。现代 OCR 使用深度学习模型，该模型经过数百万个不同字体、大小和打印条件的字符示例的训练。
- 上下文校正：根据语言模型检查识别的字符。看起来像“hcllo”的序列是更有可能是“你好”基于词频——所以引擎会纠正它。此上下文步骤显着提高了模糊字符的准确性。
OCR 准确性由什么决定
最大的因素是扫描质量。当源图像模糊、分辨率低、光线不足、倾斜或具有深色或图案背景时，OCR 准确度会急剧下降。在一致照明下以 300 DPI 进行干净扫描，标准打印文本的准确率可达 95-99%。在昏暗的灯光下，在手机上以 72 DPI 扫描同一份文档可能会产生 60-70% 的准确度——足以获取要点，但对于精确的文本提取来说没有用处。
语言选择也很重要。 OCR 引擎经过特定语言和字符集的训练。通过为英语配置的 OCR 引擎运行阿拉伯文档会产生较差的结果。 WukongPDF 的OCR PDF 工具支持多种语言模型 - 在处理之前始终选择正确的语言以获得最佳准确性。
下表总结了不同文档类型和条件下的预期准确度范围：
这些是典型范围 - 各个结果因所使用的特定文档、扫描设备和 OCR 引擎而异。
扫描 PDF 与原生数字 PDF 的 OCR
值得澄清一个常见的误解：并非所有 PDF 都需要 OCR。直接从文字处理器、电子表格或设计应用程序创建的 PDF 已经包含文本层 - 字符存储为实际文本数据，而不是像素。您可以选择、复制和搜索这些文件中的文本，无需进行任何 OCR 处理。
仅基于图像的 PDF 需要 OCR：通过扫描纸质文档创建的文件、从图像文件导出的 PDF 或在导出过程中文本转换为轮廓的 PDF。一个快速测试是尝试选择 PDF 中的文本 - 如果您可以突出显示单个单词，则文本层已经存在。如果您的光标变为十字准线或者您只能选择矩形区域，则内容是基于图像的，OCR 将使其可搜索。
| 文档类型 | OCR 准确度 | 常见挑战 | 提示 |
|---|---|---|---|
| 干净的印刷文本 | 95–99% | 相似字符（0/O、l/1） | 使用 300 DPI 或更高的扫描 |
| 打字文件 | 90–97% | 墨水退化、色带间隙 | OCR前高对比度 |
| 手写文字 | 60–85% | 不规则字母、连字 | 需要专门的手写模型 |
| 低分辨率扫描（150 DPI 以下） | 50–80% | 字符模糊、像素化 | 如果可能，以更高的 DPI 重新扫描 |
| 非拉丁文字（阿拉伯语、中文） | 85–95% | 性格复杂性、方向性 | 在 OCR 设置中选择正确的语言 |
| 复杂的表格和表格 | 80–92% | 单元格边框与文本合并 | OCR 后手动检查表格区域 |
如何将 OCR 应用于 PDF
WukongPDF 的OCR PDF 工具在浏览器中处理该过程。上传扫描的 PDF，选择文档语言并进行转换。输出是带有嵌入文本层的可搜索 PDF — 视觉上与输入相同，但现在完全可搜索和文本可选。多页文档通过一次操作进行处理。
为了在重要文档上获得最高精度，请以 300 DPI 或更高的分辨率进行扫描，使用均匀且无阴影的照明，并在扫描前确保页面平整、笔直。输入图像越干净，OCR 输出就越好 - 在运行 OCR 之前对扫描进行预处理对于精度至关重要的文档总是有好处的。