OCR 代表光學字元辨識。這項技術可以從圖像（包括掃描文件、頁面照片和純圖像 PDF）中讀取文本，並將所看到的內容轉換為電腦可以處理的實際文本資料。如果您曾經掃描過文件並想知道為什麼無法搜尋或複製文本，OCR 就是解決方案。
OCR 解決的問題
當您掃描文件時，掃描器會擷取頁面的照片。對於電腦來說，這張照片只是像素——排列在網格上的彩色點。從電腦的角度來看，您在圖像中看到的文字並不以文字形式存在。它無法搜尋、複製、翻譯或大聲朗讀它們。
OCR 彌補了這一差距。它分析影像中的像素模式，識別與字母和數字相對應的形狀，並將這些形狀轉換為實際的文字字元。經過 OCR PDF 處理後，文件有兩層：原始影像（看起來仍然一模一樣）和電腦可以讀取、搜尋和處理的隱藏文字層。
OCR 實際運作原理
現代 OCR 系統使用經過數百萬份文件影像訓練的機器學習模型。當處理一個頁面時，系統會經歷幾個階段：
- 影像預處理：影像被清理－如果傾斜，則將其拉直，增強對比度，減少雜訊。更清晰的影像可以產生更準確的辨識。
- 版面分析：系統辨識頁面的結構－文字區塊在哪裡、圖像在哪裡、閱讀順序、列邊界、表格單元格。
- 字元辨識：模型分析每個字元形狀並分配最可能的字母、數字或符號。它考慮上下文——「他」。更有可能是「the」 ——提高準確性。
- 文字圖層建立：將辨識的字元組裝成單字和句子，定位為與原始影像對齊，並作為可搜尋文字圖層嵌入到PDF中。
影響 OCR 準確性的因素
OCR 準確度根據來源影像的品質和所識別的內容的不同而有很大差異：
- 掃描解析度：更高的 DPI 可產生更清晰的字元邊緣和更好的辨識效果。 300 DPI 是可靠 OCR 的建議最低設定。低於 150 DPI 的影像通常會產生嚴重錯誤。
- 字體類型：常見字體（Times、Arial、Helvetica）中的標準印刷字體可高精度識別。裝飾字體、不尋常的字體和非常小的文字會產生更多錯誤。
- 文件狀況：紙張泛黃、墨水褪色、污跡、掃描傾斜和陰影都會降低識別品質。乾淨、直接、高對比的掃描可產生最佳結果。
- 語言：常用語言（英語、西班牙語、法語、德語、中文、日語）訓練資料豐富，準確率高。不太常見的語言和腳本可能會有更多錯誤。
- 手寫：OCR 列印文字非常準確。手寫辨識是一個不同的、更困難的問題——準確度因手寫風格和所使用的具體模型而異。
結果是什麼樣的
OCR 後，PDF 看起來與之前相同 - 原始掃描影像沒有變化。這種差異肉眼看不見，但在功能上卻很顯著。該文件現在有一個與圖像對齊的隱藏文字圖層。當您搜尋單字時，查看者會在文字圖層中找到它並在圖像中突出顯示它。當您選擇並複製文字時，您是從文字圖層複製。當螢幕閱讀器播報內容時，它會讀取文字層。
影像圖層和文字圖層是分開的－OCR 不會以任何方式改變原始掃描件。如果OCR出現錯誤，圖像仍然顯示正確的原文；只有隱藏文字層包含錯誤。
如何對 PDF 套用 OCR
www.wukongpdf.com 上的 WukongPDF 的 OCR PDF 工具可以处理此问题，无需桌面软件 - 上传扫描的 PDF，选择文档语言以提高准确性，处理并下载可搜索结果。對於標準文檔，該操作通常需要 10-30 秒。
Adobe Acrobat Pro 具有內建 OCR 功能（工具 > 增強掃描 > 識別文字）以及用於控制識別品質和處理多頁文件的附加選項。對於處理大量掃描文件的組織，Acrobat 的批次 OCR 功能可自動處理整個資料夾的檔案。