拍一张文档照片就能提取出可编辑文字，这项技术叫 OCR（光学字符识别）。同样一套 OCR 引擎，识别印刷体课本几乎能做到近乎完美，但识别手写笔记却常常出错——原因藏在识别流程和训练数据的本质差异里。
目录
- OCR 识别的基本流程
- 为什么印刷体准，手写体不准
- 影响识别准确率的常见因素
1. OCR 识别的基本流程
OCR（Optical Character Recognition，光学字符识别）把图片里的文字转换成可编辑文本，典型流程分几个步骤：
- 图像预处理：灰度化、二值化（把彩色/灰度图转成黑白）、去噪、倾斜校正——目的是把图片"整理"成更容易识别的干净状态
- 文字区域检测：定位图片里哪些区域是文字块，把文字和图片背景、插图、表格线等干扰内容区分开
- 字符分割：把检测到的文字区域进一步拆分成一个个独立的字符或文字单元
- 字符识别：对每个字符/文字单元做分类识别，判断它对应哪个字——传统方法靠特征匹配和模板对比，现代主流方法用深度学习（CNN 卷积神经网络、Transformer 等）端到端识别
- 后处理：结合语言模型对识别结果做上下文纠错（比如识别成"曰"但根据上下文更可能是"日"），并处理断行、合并段落等排版问题
2. 为什么印刷体准，手写体不准
印刷体和手写体在 OCR 眼里是难度完全不同的两类问题：
- 印刷体：同一种字体下，每个字的字形是完全统一、规范的——字体设计本身就追求边缘清晰、笔画规整，训练数据量庞大且样本之间高度一致，模型只需要学会识别有限的几种标准字形
- 手写体：字形因人而异，同一个字不同人写出来的笔画粗细、连笔方式、倾斜角度、书写习惯千差万别，甚至同一个人在不同状态下写的字也会有差异——这种极大的变化空间，让模型很难用有限的训练样本覆盖所有可能的手写风格，尤其是连笔潦草或个人风格强烈的字迹，识别错误率会明显升高
简单说：印刷体是"有限种标准答案"的分类问题，手写体更接近"开放式变化"的模式识别问题，后者天然更难。
3. 影响识别准确率的常见因素
除了印刷体/手写体这个根本差异，实际使用中还有几个因素会明显影响 OCR 效果：
- 图片分辨率和对比度：分辨率太低、文字和背景对比度不足（比如浅色文字配浅色背景）都会让文字边缘模糊，增加识别难度
- 倾斜角度：拍照角度倾斜会导致文字变形，虽然预处理阶段有倾斜校正，但角度过大依然会影响效果
- 背景干扰：水印、纹理背景、复杂排版（如表格、多栏）都会干扰文字区域检测
- 语言和字体：多语言混排、生僻字体、装饰性字体都会降低识别率，因为训练数据对这些场景的覆盖天然较少
值得一提的是，本站的 OCR 工具基于开源引擎 Tesseract.js（把 C++ 实现的 Tesseract 引擎编译成 WebAssembly），整个识别过程在浏览器本地完成，图片不需要上传到服务器，兼顾了隐私和免费使用，但相应地也不具备云端大模型 OCR 服务的最新准确率优势，清晰的印刷体文档效果最好。
在线工具：图片识别文字