OCR，缩写 光学字符识别，是将图像、扫描文件和基于图像的 PDF 中的文本转换为机器可读文本的技术。实际上，OCR 将收据照片、扫描合同或纸质表格转换为可以搜索、复制、索引、分析和集成到业务工作流程中的数字内容。
对于企业而言，OCR 不仅仅是一种便利功能。它是数字化转型的核心部分，因为它弥合了纸质文档和结构化数字数据之间的差距。如果没有 OCR，扫描的文件通常只是图像。通过 OCR，它们成为可用的业务资产。
为什么 OCR 很重要
许多公司仍然以难以自动处理的形式接收信息：发票、收据、合同、送货单、身份证件、表格、医疗记录和存档的纸质文件。当这些文件在没有 OCR 的情况下扫描时，文本对人类来说是可见的，但对软件系统来说是隐藏的。 OCR 通过提取文本并使其可搜索和可处理来解决该问题。
这就是为什么 OCR 被广泛用于创建 可搜索的 PDF、改进文档检索、减少手动数据输入、支持合规性归档并加速下游自动化。 Adobe 的 可搜索的 PDF 指南和 AWS 的 OCR 概述都强调 OCR 将基于图像的文档转换为可编辑或可搜索的文件，从而节省时间并提高效率。
OCR 的工作原理
在较高层面上，OCR 通常遵循多步骤工作流程。
1. 图像采集
该过程从图像或文档输入开始，例如扫描的 PDF、手机照片、TIFF、PNG 或 JPEG。系统首先接收视觉内容并准备进行分析。 IBM 将这个初始阶段描述为将源代码转换为适合识别的形式。
2. 预处理
在识别之前，OCR 引擎通常会对图像进行清理和标准化。这可以包括消除噪音、增加对比度、平滑边缘、校正倾斜和处理对齐不良。 Google Cloud 明确指出倾斜校正和旋转校正是提高提取质量的功能，而 IBM 则强调预处理是删除无关像素和校正页面对齐的重要阶段。
3. 文本检测
然后，OCR 系统会定位文本出现在页面上的位置。 IBM 将 OCR 描述为涉及 检测 本地化文档中的单词的阶段。现代 OCR 平台可以检测块、段落、行、单词，有时甚至是符号。
4. 文字识别
一旦找到文本区域，系统就会识别字符或单词。传统 OCR 严重依赖模式匹配和字体模板。更现代的系统使用机器学习和神经网络来更准确地识别印刷文本、手写、混合语言和复杂布局。微软指出，现代 OCR 可以提取打印和手写文本，并可以输出单词、线条和文本块，而 Tesseract 文档则重点介绍了其基于 LSTM 的 OCR 引擎。
5. 构建和导出
最终输出可能是纯文本、可搜索的 PDF、DOCX、XML、JSON 或数据库就绪的结构化数据。在更高级的场景中，OCR 输出不仅仅限于文本。它可以包括坐标、置信度分数、页面结构、布局层次结构以及检测到的文档元素（例如复选框、表单字段或表格内容）。
OCR 类型
OCR 文章排名良好的原因之一是它们不仅仅停留在基本定义上。他们经常解释说 OCR 属于更广泛的识别技术系列。
简单的光学字符识别
简单的 OCR 通常将图像模式与存储的字体或字符模板进行匹配。它最适用于具有可预测字体和简洁布局的清晰打印文档。 AWS 根据匹配算法将其列为基本 OCR 类别。
ICR（智能字符识别）
ICR 是 OCR 的扩展，它使用机器学习来解释手写字符和更多变化的字符形状。在处理手写表单或混合格式输入时尤其重要。 AWS 和 ABBYY 都将 ICR 与标准 OCR 区分开来。
IWR（智能文字识别）
IWR 在单词级别工作，而不是严格在字符级别工作。这可以提高某些手写或文档捕获场景的性能，其中上下文有助于更可靠地识别完整单词。 AWS 包含智能文字识别作为单独的 OCR 相关类型。
OMR（光学标记识别）
尽管 OMR 在技术上有所不同，但 OMR 经常与 OCR 一起讨论。 OMR 不是读取字母，而是识别填充气泡、复选框和选择区域等标记。在实际文档工作流程中，OCR 和 OMR 通常结合用于考试、调查、申请表和清单。
全文识别与字段级识别
ABBYY 还对以下两者进行了有用的区分： 全文识别 和 领域级识别。全文识别用于文档转换、归档和内容重用，而字段级识别则侧重于从指定区域提取特定值，例如发票总额、日期、名称或 ID 号。
OCR 与 AI OCR
传统的OCR主要侧重于将可见文本转换为机器可读文本。 AI OCR 更进一步。它可以理解布局、识别文档结构、检测表格、解释表单、提取键值对、读取笔迹，有时还可以推断字段之间的关系。
这就是为什么许多云平台现在将 OCR 定位为 智能文档处理（IDP） 或者 人工智能文档 而不是作为一个独立的实用程序。微软表示 OCR 是 IDP 的基础，而谷歌云的企业文档 OCR 添加了语言提示、旋转校正、图像质量评分、复选框提取和字体样式检测等功能。
换句话说，基本 OCR 回答了这个问题： “这个页面上有什么文字？”
AI OCR 和文档智能回答了一个更大的问题： “这份文件包含什么内容，哪些数据很重要？”
常见 OCR 用例
OCR 应用于许多行业，因为文本困在图像中是一个普遍问题。
可搜索的 PDF 和数字档案
最常见的用例之一是将扫描或传真的 PDF 转换为可搜索文档。这对于档案、法律文件、合规记录和历史文档存储至关重要。 Adobe 解释说，基于图像的 PDF 需要 OCR，用户才能在其中进行搜索。
发票、收据和表格处理
应付账款、财务、物流和运营团队使用 OCR 从发票、采购订单、收据和交货单据中提取数据。 OCR 减少了手动键入并支持自动路由到 ERP、会计和工作流程系统。 AWS 多次强调收据、表格、发票和合同是主要的 OCR 和 IDP 场景。
身份证明文件和入职
OCR 可以通过读取 ID、许可证、应用程序和支持文档中的数据来加速客户加入和验证工作流程。在这些情况下，OCR 通常与验证逻辑和人工审核配合使用，以做出高风险决策。这种更广泛的文档处理方向反映在微软和谷歌云的 OCR 和文档智能定位中。
多语言内容和手写
现代 OCR 平台越来越多地支持多种语言，在某些情况下还支持混合语言文档。微软指出支持多种语言的打印和手写文本，谷歌记录了语言检测和语言提示以改进结果。
通用图像文本提取
除了文档之外，OCR 还用于海报、标志、标签、包装、屏幕截图和产品图像。 Microsoft 特别将一般“野外”图像的 OCR 与扫描或数字文档的文档优化 OCR 分开。
免费工具： 免费图像到文本
影响 OCR 准确性的因素
OCR 准确性不仅仅由软件决定。图像质量和文档条件非常重要。
IBM 确定了 OCR 困难的几个常见原因：分辨率不足、照明不佳、焦点丢失、页面未对齐、扫描仪设置不正确以及打印质量差导致的伪影。 Google 将旋转问题、眩光、模糊和小字体添加到可能影响提取质量的因素列表中。
为了提高 OCR 性能，通常最好：
- 以足够的分辨率捕获文档，
- 避免模糊和阴影，
- 正确的倾斜和旋转，
- 保持高对比度，
- 尽可能使用干净的原件，
- 当源语言已知时提供语言提示，
- 并在提取关键业务数据时应用人工验证。
对于 SEO 内容，此部分很重要，因为搜索“OCR”的用户通常也想知道为什么他们的识别结果不准确或不一致。
OCR 软件选项：开源与云 OCR
OCR 工具通常分为两大类：开源引擎和托管云服务。
超立方体 是最著名的开源 OCR 引擎之一。其文档指出，它是在 Apache 2.0 许可证下开源的，支持多种语言，并包括 Tesseract 4 中引入的基于 LSTM 的引擎。对于想要控制、离线处理和无供应商锁定的开发人员来说，它是一个强大的选择，尽管部署和优化需要技术努力。
Google Cloud、Microsoft 和 AWS 等提供商提供的托管云 OCR 平台通常提供更轻松的扩展、内置语言处理、布局提取、置信度评分和结构化文档功能。当企业需要更快的部署、企业支持和高级文档理解时，它们通常是更好的选择。
OCR 本身就足够了吗？
对于简单的任务，例如将扫描的 PDF 转换为可搜索的文本，OCR 可能就足够了。但许多企业现在需要的不仅仅是文本提取。他们需要文档分类、表格解析、表单理解、键值提取、验证、工作流路由和分析。这就是为什么 OCR 越来越多地用作大型文档自动化系统的基础，而不是作为一个独立的步骤。
结论
OCR 是将纸质和图像信息转化为可用数字数据的基础技术。最简单的是，OCR 将可见文本转换为机器可读文本。在更高级的层面上，现代人工智能 OCR 系统可以理解布局、手写、表格、复选框和文档结构，使其成为智能文档处理的核心。
对于用户和企业来说，OCR 的真正价值不仅仅是从图像中读取文字。它使文档可搜索、可操作并为自动化做好准备。这就是为什么 OCR 仍然是文档数字化、工作流程效率和企业信息管理中最重要的技术之一。
常问问题
OCR 代表什么？
OCR 代表 光学字符识别。它是指从图像、扫描件和基于图像的 PDF 中提取文本并将该文本转换为机器可读形式的技术。
OCR可以读取手写内容吗？
是的，许多现代 OCR 系统至少可以读取一些手写或手印文本。 Microsoft 和 AWS 区分标准 OCR 和更高级的方法，例如用于手写相关场景的 ICR。
为什么我的扫描 PDF 无法搜索？
因为许多扫描的 PDF 保存为图像，而不是基于文本的文档。必须先应用 OCR，然后才能搜索、复制或索引文本。
OCR和AI OCR有什么区别？
OCR 专注于阅读文本。 AI OCR 通常会添加布局分析、表格提取、手写支持和字段检测等文档理解功能。
OCR 和 OMR 有什么区别？
OCR 读取字符和单词，而 OMR 检测标记，例如填充的气泡、复选框或表单上的选择。
Tesseract 仍然有意义吗？
是的。 Tesseract 仍然是一个主要的开源 OCR 引擎，具有 Apache 2.0 许可、广泛的语言支持和基于 LSTM 的识别。
