如何用 OCR 从图片中提取文字

OCR 的工作原理

OCR 引擎首先把图片转换为黑白图像，让文字从背景中凸显出来。然后分析版面，找出文本块、行和单词。最后，由识别模型推断每个单词显示的是哪些字符。

LeedyBox 工具通过 Tesseract.js 使用开源 OCR 引擎 Tesseract。它的识别模型是一个在印刷文本上训练的神经网络，每种语言都有单独的数据。引擎还会为每个单词给出置信度，工具会显示每张图片的平均置信度。

选择语言

语言设置告诉引擎应当预期哪些字符和单词。用英语模型读取韩语、日语或俄语文本，会得到由形似拉丁字母组成的乱码；对于共用同一套字母的语言，选对模型也能更好地处理重音符号和常用词。

如果图片混合了两种语言，例如夹杂英文产品名称的韩语文档，请同时选择这两种语言。只在文本确实需要时才添加第二种语言：每多一种语言，识别都会变慢，引擎可能混淆的字符也会更多。

画质技巧

• 分辨率：低分辨率图片中的小字是最常见的出错原因。放大有一定帮助，所以 LeedyBox 工具可以把小图放大到两倍后重新识别，但放大无法还原图片中本来没有的细节。字母过大也可能降低识别的可靠性。
• 对比度：浅色纯色背景上的深色文字效果最好。字迹浅淡、灰色文字、彩色背景和阴影都会让字母更难与背景分离。灰度和对比度选项对浅淡的文字有帮助，但请比较结果，因为它也可能让本来干净的图片变差。
• 文字要端正：倾斜、弯曲或有透视变形的文字（例如斜着拍摄的书页）会导致行与行粘连、字符识别错误。如果文字明显歪斜，请旋转图片或重新拍摄。
• 裁剪：把图片裁剪到只剩所需的文字。徽标、照片、边框和相邻的栏可能被误认为字符，还会打乱阅读顺序。
• 压缩：重度 JPG 压缩产生的压缩伪影会让文字变模糊。截图请尽量保存为 PNG；参见 JPG、PNG、WebP 与 AVIF 对比。

截图与照片

截图清晰、端正，因此通常能得到良好的结果。它们的主要弱点是尺寸：界面文字往往只有几个像素高。请在截图前先放大页面或应用，截图后也不要再缩小。您可以用 Ctrl+V（Mac 上为 ⌘+V）将截图直接粘贴到工具中。

照片则会带来光线不均、反光、模糊、透视变形和页面弯曲等问题。请让相机与页面保持平行，让文字充满画面，使用均匀的光线并避免闪光灯反光，然后点按屏幕对焦。识别前会先应用相机记录的方向，因此横握手机拍摄的照片也会按正确的方向读取。

对于 PDF 文件，请使用 PDF 转文本，而不要把页面转换为图片：它会读取已有的文本层，只对没有文本层的页面运行 OCR。关于扫描版 PDF，请参阅指南从 PDF 提取文本：文本层与 OCR。

手写体与艺术字体

这里使用的模型是在印刷文本上训练的，因此手写体的识别效果通常较差。工整、逐个分开书写的大写印刷体字母识别成功的机会最大；连笔字和签名很少能得到可用的结果。装饰字体、手写风格字体或非常窄的紧缩字体、带图案背景上的文字以及竖排文字，也会造成类似的问题。

检查并修正结果

请把 OCR 输出当作草稿。典型错误包括：混淆 0 和 O，1、l 和 I，或“rn”和“m”；重音符号和标点丢失或错误；行尾的单词被合并或拆开；相邻栏的行混在一起。表格和多栏版式不会被保留：结果是纯文本。

请将文本与图片逐一对照，特别注意数字、姓名、日期、金额和地址，因为这些地方错一个字符就会出问题。置信度高并不能证明文本正确无误。在复制或下载之前，您可以在工具中编辑文本。

隐私：哪些内容留在您的设备上

LeedyBox 工具在您的浏览器中运行 OCR 引擎：图片在您的设备上读取，不会上传到 LeedyBox。浏览器会直接从 leedybox.com 下载 Tesseract.js 库、它的 WebAssembly 引擎，以及您所选每种语言的数据。这些都是普通的文件下载，不包含您的图片。Tesseract.js 会把语言数据存储在浏览器的存储空间（IndexedDB）中，这样就不必再次下载；清除浏览器中的网站数据即可将其删除。

常见问题