OCR（Optical Character Recognition，光学字元辨识）是一种将图像中的文字自动转换为可编辑数位文字的技术。从银行支票处理、图书馆数位化计划，到现代智慧型手机的即时翻译，OCR 早已渗透到我们日常生活的各个角落。本文将深入探讨 OCR 技术的发展历史、运作原理，以及传统 OCR 与现代 AI OCR 的根本差异。
OCR 的历史：从 1970 年代的银行应用说起
OCR 技术的起源比大多数人想像的早得多。早在 1960 年代，美国银行业就开始使用 MICR（磁墨字元辨识）技术处理支票，这可以视为 OCR 的前身。真正意义上的 OCR 技术在 1970 年代取得重大突破：
- 1974 年：雷蒙德・库兹韦尔（Ray Kurzweil）开发了全方向 OCR 系统，能够辨识多种字型的印刷文字，并制作了 Kurzweil Reading Machine，帮助视觉障碍者将印刷文字转换为语音。
- 1978 年：Kurzweil Reading Machine 正式商业化，标志着 OCR 技术从实验室走向实际应用。
- 1980 年代：随着个人电脑普及，OCR 软体开始商业化，被广泛应用于银行、政府机关和出版业的文件数位化。
- 1990 年代至 2000 年代：ABBYY FineReader 和 Adobe Acrobat 等软体大幅提升了 OCR 的准确率和使用便利性，PDF OCR 成为办公室标准工作流程的一部分。
传统 OCR 的技术流程
传统 OCR 技术将图像到文字的转换拆解为几个明确的阶段：
第一阶段：图像预处理
原始扫描图像往往包含各种干扰因素，预处理的目的是提高图像品质以利后续辨识：
- 去噪：消除扫描过程中产生的杂点、污渍和背景噪音。
- 二值化：将彩色或灰阶图像转换为纯黑白（二元）图像，让文字和背景的对比更清晰。
- 倾斜校正（Deskewing）：自动侦测并修正文件扭曲或倾斜角度。
- 版面分析：识别文字区域、图片区域、表格和栏位，确定文字的阅读顺序。
第二阶段：特征提取
预处理完成后，OCR 引擎开始分析每个字元的视觉特征：
- 将文字行切割为个别字符（分词）。
- 提取每个字符的特征，包括笔画方向、曲线特征、封闭区域（如字母“o”的圆圈部分）等。
- 这些特征被转换为数值向量，作为后续比对的依据。
第三阶段：字元辨识
传统 OCR 主要采用两种辨识方法：
- 模板比对（Template Matching）：将提取的字元图像与预先储存的字元模板进行像素级比对，选择相似度最高的字元。这种方法速度快，但对字型变化的容错性较差。
- 特征提取法（Feature Extraction）：分析字元的几何特征（如端点、交叉点、曲线）并与统计模型比对，对字型变化有较好的适应性。
第四阶段：后处理
辨识完成后，后处理阶段负责提高整体准确率：
- 词典校正：将辨识结果与词典比对，修正可能的辨识错误（例如将“rnoon”修正为“moon”）。
- 语言模型：利用统计语言模型判断上下文，在多个候选字中选择最符合语境的结果。
- 信心分数标记：对每个辨识结果标注置信度，让用户能快速定位可能有误的文字。
传统 OCR vs AI OCR：根本性的差异
近年来，深度学习的兴起催生了全新一代的 AI OCR 技术，与传统 OCR 在多个维度上有根本性的差异：
- 辨识方式：传统 OCR 依赖人工设计的规则和特征；AI OCR（如基于 LSTM 神经网路或 Transformer 架构的系统）透过大量训练资料自动学习特征，不需要人工干预。
- 手写辨识能力：传统 OCR 对手写文字的辨识率很低；AI OCR 可以辨识多种笔迹风格的手写文字，准确率已大幅提升。
- 复杂版面处理：AI OCR 能更好地理解表格、多栏版面、混合语言等复杂版面，并保留原始格式结构。
- 低品质图像处理：AI OCR 对模糊、低解析度或光线不足的图像有更强的容错能力。
- 代表性工具：Google Cloud Vision API、Microsoft Azure Computer Vision、Amazon Textract、Tesseract 5.0（开源）都属于采用深度学习技术的现代 AI OCR 系统。
如何评估 OCR 准确率
OCR 准确率的评估是一个容易被忽视但非常重要的议题。以下是几种实用的测试方法：
- 字元错误率（CER）：计算辨识文字与原始文字之间的字元差异比例，是最基础的评估指标。CER 5% 意味着每 100 个字元中有 5 个辨识错误。
- 单词错误率（WER）：以单词为单位计算错误率，更能反映实际使用体验，因为一个字元错误通常会使整个单词变得不可用。
- 自行测试：准备一批已知内容的测试文件（包含不同字型、字号、品质的样本），OCR 后与原文对比，计算错误数量。这是最直接、最可靠的评估方式。
一般而言，优质的 OCR 工具对高品质印刷文件的辨识准确率可达 99% 以上；对于低品质扫描件或手写文件，准确率可能降至 80-90% 甚至更低。
在浏览器里直接完成，档案不会离开你的电脑：PDF 工具
