---
title: "光學字元辨識（OCR）"
slug: ocr
language: zh-TW
source: https://aiterms.tw/terms/ocr
updated_at: 2026-04-29
tags: [機器學習, 深度學習, 電腦視覺, AI應用, 資料處理, 模型部署, AI倫理與治理]
ipas_term: false
---

# 光學字元辨識（OCR）

> **你拍完收據卻還要一字一字重打嗎？**
>
> 你可以把 光學字元辨識 想成 替圖片裡的字做翻譯。
>
> 掃描、報銷、歸檔都會直接用到，先把圖片裡的字變成可搜尋文字，再談整理 這件事就特別重要。
>
> 你可以把它想成一個把抽象概念拉回日常判斷的提示，先知道它解決什麼問題，再看技術細節。

### 容易混淆
> **光學字元辨識 vs 人工輸入**
>
> 人工輸入像一個一個字鍵入紙本文件內容，OCR 像直接拍張照就能把文件內容變成數位文字，速度和效率天差地遠，大大節省了人力和時間。
>
> 最關鍵的區別：一個看圖轉字，一個看圖辨物。
>
>
> **光學字元辨識 vs 圖像辨識**
>
> OCR 讀的是字，圖像辨識讀的是物件或場景
>
> 最關鍵的區別：一個要輸出文字，一個要輸出類別。

### 記住這句就好
> 先把圖片裡的字變成可搜尋文字，再談整理

### 實際案例
> **案例 1：報銷時把發票影像轉成金額欄位，少掉人工輸入**
>
> 這種情況下，光學字元辨識 會幫你把原本手工或靠直覺的步驟變得更穩。
>
>
> **案例 2：把紙本合約掃成可搜尋檔案，查條文快很多**
>
> 另一個常見場景也能看出 光學字元辨識 的價值，因為它處理的是同一種核心問題。

### 算法與應用
> 核心意思就是：先把圖片裡的字變成可搜尋文字，再談整理。
>
> 流程通常是影像前處理、文字定位、字元辨識和後處理校正
>
> 低光、歪斜、模糊和手寫字，都會讓準確率掉很快

### 情境判斷
> **Q1（直覺題）：** 報銷時把發票影像轉成金額欄位，少掉人工輸入 這種情況，會先想到 光學字元辨識 嗎？
>
> → 會，因為它正好在處理這件事的核心問題，只是還要看資料乾不乾淨、流程穩不穩。
>
>
> **Q2（判斷題）：** 手寫字太潦草時，OCR 還能直接用嗎？
>
> → 看情況，印刷體最穩，手寫通常要更強模型或人工校正

### 常見問題
> **Q：如何提高 OCR 在低品質圖像上的準確率？**
> 提高 OCR 在低品質圖像上的準確率可以採取多種方法。
> 一是使用更強大的圖像預處理技術，例如使用深度學習模型進行圖像超解析度，提高圖像的清晰度。
> 二是使用更魯棒的字元識別模型，例如使用注意力機制來忽略噪聲資訊。
> 三是使用上下文資訊來推斷正確的字元，例如使用語言模型來糾正拼寫錯誤。
> 四是使用多個 OCR 引擎，並將它們的結果進行融合。
> 選擇哪種方法取決於圖像的具體品質和可用的資源。
>
> **Q：OCR 如何處理不同字體和排版風格的文字？**
> OCR 處理不同字體和排版風格的文字需要模型具有一定的泛化能力。
> 一種方法是使用大量的多樣化的資料集進行訓練，讓模型學習到各種不同的字體和排版風格。
> 另一種方法是使用字體自適應技術，讓模型能夠根據輸入圖像的字體自動調整參數。
> 此外，還可以使用排版分析技術，讓模型能夠理解文本的結構，例如欄位、表格和標題。
> 這些技術可以幫助 OCR 模型更好地處理不同字體和排版風格的文字。
>
> **Q：OCR 技術在隱私保護方面有哪些考量？**
> OCR 技術在隱私保護方面需要特別注意。
> 如果 OCR 用於處理包含敏感資訊的文件，例如身份證、銀行卡或醫療記錄，需要採取措施保護使用者的隱私。
> 一種方法是對敏感資訊進行遮罩或匿名化處理。
> 另一種方法是使用差分隱私技術，在模型中加入噪聲，防止模型洩露敏感資訊。
> 此外，還需要遵守相關的法律法規，例如 GDPR，確保資料的合法使用。

### 相關術語
> - **電腦視覺**：看完這個再讀它，會更容易把概念串起來
> - **圖像識別**：看完這個再讀它，會更容易把概念串起來
> - **自然語言處理**：看完這個再讀它，會更容易把概念串起來
> - **機器學習**：看完這個再讀它，會更容易把概念串起來
> - **資料標註**：看完這個再讀它，會更容易把概念串起來

---

來源：https://aiterms.tw/terms/ocr
快查頁：https://aiterms.tw/terms/ocr
最後更新：2026/04/29
深度解說：https://aiterms.tw/learning/what-is-ocr