OCR 是什麼？光學文字辨識技術完整指南

你有沒有拿到一份掃描的 PDF，想要複製裡面的文字，卻發現完全選不起來？或者想要在一大堆掃描文件中搜尋一個關鍵字，結果什麼都找不到？這就是 OCR 技術要解決的問題。OCR 是現代數位文件工作流程中一項基礎但極其重要的技術，理解它能讓你更有效地處理掃描文件、提高工作效率。這篇文章從頭解釋 OCR 是什麼、它如何運作、在哪裡能用到它，以及影響它準確率的關鍵因素。

OCR 的定義

OCR 是 Optical Character Recognition 的縮寫，中文稱為「光學文字辨識」或「光學字元辨識」。簡單說，OCR 就是一種讓電腦「看懂」圖片中的文字的技術——把影像中的文字轉換成電腦可以理解、儲存、搜尋和編輯的文字資料。

當你掃描一份文件時，掃描機產生的是一張圖片，就像拍照一樣。電腦看到的是像素組成的圖像，而不是有意義的文字。即使文件上寫的是「合約金額：一百萬元」，電腦也不知道那些黑色形狀代表文字，更不知道那些文字的意義。OCR 技術的作用就是分析這些像素，識別出其中的文字，並將其轉換為真正的文字資料。

OCR 最早在 1914 年前後就有理論雛形，最初的商業化應用是在 1950 年代，當時主要用於讀取印刷文件以傳輸電報。到了今天，OCR 已經發展成一門融合了深度學習和計算機視覺的複雜技術，能夠辨識幾乎所有語言、字體和手寫文字。

OCR 的運作原理：從影像到文字

OCR 的處理流程可以分為三個主要階段：

第一階段：影像預處理

在正式辨識文字之前，OCR 系統會先對輸入的影像進行一系列的預處理操作，目的是消除干擾、提高後續辨識的準確率。這些預處理步驟通常包括：去斜（Deskewing）——自動偵測並校正傾斜的文件，讓文字行保持水平；二值化（Binarization）——將彩色或灰階圖像轉換為只有黑白兩色的影像，讓文字和背景的對比更加清晰；去除雜訊（Noise Reduction）——消除掃描過程中產生的斑點、紋路和干擾像素；版面分析（Layout Analysis）——識別文件的整體結構，區分文字區域、圖片區域、標題、段落、表格等不同的元素。

第二階段：特徵識別

這是 OCR 的核心步驟。傳統的 OCR 方法會將每個字元分割出來，然後與預先建立的字元範本進行比對，找出最相似的字元。這種方法對印刷規則的字體效果尚可，但面對手寫字或特殊字體時準確率大幅下降。

現代 OCR 技術則使用深度學習中的卷積神經網路（CNN）和循環神經網路（RNN）來辨識字元。這些模型在海量的文字影像資料上訓練，學會了識別同一個字元的各種變體——不同字體、大小、粗細、傾斜角度，甚至不同人的手寫方式。現代 OCR 不只看單個字元，還會結合上下文語言模型（Language Model）來判斷最可能的詞語組合，這就是為什麼即使某個字元辨識得不太清楚，OCR 往往還是能給出正確的結果。

第三階段：文字輸出與後處理

辨識完成後，OCR 系統將結果輸出為可編輯的文字格式。在這個階段，系統還會進行拼寫檢查、語法校正，以及嘗試保留原始文件的排版格式（如標題、段落、表格結構等）。最終輸出可以是純文字（TXT）、可搜尋的 PDF（PDF with embedded text）、Word 文件（DOCX）等多種格式。

OCR 的應用場景

OCR 技術的應用場景遠比你想像的廣泛：

• 文件數位化： 將大量紙本文件（合約、報告、書籍）轉換為可搜尋的電子文件，是 OCR 最基本的應用。
• 銀行與金融： 自動識別支票上的帳號和金額、處理貸款申請文件、自動錄入發票資料。
• 醫療保健： 將手寫的病歷、處方、檢查報告轉換為可以進入電子健康記錄（EHR）系統的結構化資料。
• 法律行業： 快速搜尋大量掃描的法律文件、合約和判決書中的關鍵條款。
• 交通與邊境管理： 自動讀取護照、身份證和車牌的資訊。
• 電商物流： 自動識別包裹上的地址和追蹤碼。
• 無障礙服務： 將印刷文字轉換為文字後，可以進一步轉換為語音，讓視力障礙者也能「閱讀」紙本文件。
• 日常生活： 手機 App 掃描名片自動匯入通訊錄、翻譯 App 拍照翻譯外文、掃描收據自動記帳等。

影響 OCR 準確率的關鍵因素

OCR 技術雖然強大，但它並非萬能。以下因素會顯著影響辨識的準確率：

掃描品質： 這是最重要的因素。模糊、傾斜、光線不足或有陰影的掃描會讓 OCR 難以辨識字元邊緣，導致大量錯誤。建議使用至少 300 DPI 的解析度進行掃描，確保文件平整、光線均勻。

字體和字型： 清晰的無襯線字體（如 Arial、Helvetica）辨識率最高。裝飾性字體、草書字體、藝術字體以及非常規的字間距都會降低準確率。

手寫 vs 印刷： 印刷文字的辨識準確率通常可以達到 99% 以上，而手寫文字的準確率則因書寫風格差異而大不相同，從 70% 到 95% 不等。連筆字、縮寫和個人化書寫習慣對 OCR 來說仍然是挑戰。

語言和特殊字元： 不同語言的支援程度有所差異。拉丁語系語言（英語、法語、西班牙語等）通常能獲得最高的準確率；中文、日文、韓文等複雜字元集也有良好的支援，但準確率略低；阿拉伯語、希伯來語等由右至左書寫的語言以及各種特殊符號則對 OCR 系統提出了額外的挑戰。

文件背景和紙張狀況： 彩色背景、水印、印章、摺痕、咖啡漬、老化的黃紙都會干擾 OCR 的判斷。文件越接近「黑色文字、白色背景」的理想狀態，辨識率越高。

AI OCR 的進步：從規則到神經網路

傳統 OCR 依賴手工設計的規則和字元模板，對字體變化非常敏感。過去十年，深度學習革命性地改變了 OCR 的能力邊界。基於 Transformer 架構的現代 OCR 模型（與大型語言模型使用類似的底層技術）能夠理解文字的上下文，即使單個字元辨識不確定，也能通過語言理解推斷出正確的詞語。

Google、Microsoft、Adobe 等公司的最新 OCR 技術還加入了版面理解能力——不只辨識文字，還能理解文件的結構：哪些是標題、哪些是段落、哪裡有表格、表格的行列關係是什麼。這使得從複雜版面的文件中提取結構化資料成為可能，而這在傳統 OCR 時代是幾乎做不到的事。

手寫辨識（Handwriting Recognition / HWR）領域的進步尤其顯著。現代的手寫 OCR 系統，如 Google 的 Handwriting Recognition API，已經能夠辨識多種語言的連筆手寫字，準確率大幅超越早期系統。

在瀏覽器裡直接完成，檔案不會離開你的電腦：PDF 工具