💡一句話定義
OCR（Optical Character Recognition，光學字元辨識）＝ 把影像中的文字（掃描件、照片、PDF）轉成可編輯、可搜尋的文字。它不只是「認字」，而是先找到文字在哪、再把它讀出來的完整流程。
🔧OCR 的典型流程
- 影像前處理：去噪、傾斜校正、二值化，讓文字更清楚。
- 文字偵測：找出文字區域（哪裡有字）。
- 文字辨識：把區域內的影像轉成字元。
- 後處理：用語言模型校正（例如把 "0" 修成 "O"）。
🎮互動：CRNN 掃過 "DATA"
按「開始掃描」：藍色掃描線滑過影像，中間的 CNN 特徵圖逐欄點亮，下方 RNN 機率隨時間跳動，最後解碼出 DATA。
OCR 光學字元辨識 (CRNN架構) 互動演示
👁️CRNN ＝ CNN（眼睛）＋ RNN（大腦）
早期 OCR 靠「模板匹配」，字體一變形就失效。現代 OCR（Tesseract 4+、EasyOCR）多用 CRNN：
👁️CNN 當眼睛
在圖上滑動，萃取筆畫特徵（直線、圈、轉角）。
在圖上滑動，萃取筆畫特徵（直線、圈、轉角）。
🧠RNN 當大腦
處理序列關係（看到 D-A-T 後接 A 的機率高）。
處理序列關係（看到 D-A-T 後接 A 的機率高）。
🧩核心難題：對齊（CTC）
OCR 最難的是「對齊」——手寫的 A 可能寬、I 可能窄，機器怎麼知道哪一段影像對應哪個字？CTC（Connectionist Temporal Classification）用一個「空白」符號並允許重複字元來解決：
- D - D A - - T T A - → 合併重複、刪除空白 → DATA
demo 下方跳動的機率條，就是 CTC 在算「每個時間點屬於某個字元」的機率，最後解碼成一串字。
📈架構演進
| 世代 | 做法 | 特點 |
|---|---|---|
| 模板匹配 | 比對字形樣板 | 簡單；字體變形、手寫就失效 |
| CRNN + CTC | CNN 抽特徵 + RNN 讀序列 + CTC 對齊 | 現代主流，能讀連續文字 |
| TrOCR（Transformer） | 用注意力取代 RNN | 參考前後文、手寫潦草也更準 |
📏評估與應用
評估：用字元錯誤率 CER與詞錯誤率 WER（跟正解比編輯距離，越低越好）。
應用：車牌辨識（停車場自動開柵）、發票與表單數位化、翻譯筆／Google Lens 即時翻譯、證件辨識、文件數位化與無障礙朗讀。
難點：手寫字、藝術字、低解析、模糊、傾斜、複雜背景、表格與多欄排版。
應用：車牌辨識（停車場自動開柵）、發票與表單數位化、翻譯筆／Google Lens 即時翻譯、證件辨識、文件數位化與無障礙朗讀。
難點：手寫字、藝術字、低解析、模糊、傾斜、複雜背景、表格與多欄排版。
✅自我檢測
Q1. OCR 是一步還是兩步？流程為何？
是「偵測＋辨識」兩步：前處理（去噪、校正、二值化）→ 文字偵測（找區域）→ 文字辨識（轉字元）→ 後處理（語言模型校正）。
Q2. CRNN 裡 CNN 和 RNN 各做什麼？
CNN 當「眼睛」萃取筆畫特徵；RNN 當「大腦」處理字元的序列關係（前後字的可能性），兩者合作讀出連續文字。
Q3. CTC 解決什麼問題？
解決「對齊」——影像哪一段對應哪個字。它引入空白符號、允許重複字元，輸出後合併重複、刪除空白就得到正確字串（如 -D-DA--TTA- → DATA）。
Q4. OCR 怎麼評估？
用字元錯誤率（CER）與詞錯誤率（WER），計算辨識結果與正解的編輯距離，越低越好。
🎯重點整理
- 是什麼：把影像文字轉成可編輯、可搜尋的文字。
- 流程：前處理 → 偵測 → 辨識 → 後處理。
- CRNN：CNN 抽特徵、RNN 讀序列、CTC 對齊。
- 演進：模板匹配 → CRNN → TrOCR（Transformer）。
- 評估：CER、WER；應用於車牌、發票、翻譯筆等。