光學字元辨識

光學字元辨識（optical character recognition, OCR）把文字的影像——掃描的頁面、拍下的招牌、傳真的 PDF——轉成機器可讀、可搜尋、可複製、可編輯的字元。其目標是從圖片中還原符號內容（字母與數字）。OCR 是最古老的應用辨識問題之一（商用系統可追溯到 1950 年代），也是傳統辨識流程的清晰範例，因為它數十年來都被建成一條明確、人工設計各階段的鏈，而非單一學得的模型。

傳統流程大致如下。首先，前處理清理並正規化影像：二值化（把墨跡與紙張分開，常用自適應門檻）、去傾斜（把歪斜的掃描轉正）以及去雜訊。接著，版面分析與切割把頁面劃分成欄、文字行、詞，最後是個別字元——切割這一步，也就是判定一個字元在哪裡結束、下一個在哪裡開始，在歷史上是最困難、最易出錯的部分，對相連或草寫的字母尤其如此。再來，特徵擷取把每個字元影像轉成對字型與大小穩健的描述子——早期系統用模板匹配或筆畫與分區特徵，後來的用梯度特徵。最後，一個分類器（kNN、SVM、神經網路）把每個描述子對應到一個字元標籤。關鍵的最後一階段是語言建模：用字典、字元 n-gram 統計或文法，藉上下文修正錯誤，使 rn 不被誤讀為 m、l 不被誤讀為 1，當周圍的詞讓正確答案清楚時。

OCR 的重要性，既在於它是極其有用的技術（數位化書籍與檔案、判讀支票與表單、車牌、視障輔助、文件自動化），也在於它是辨識如何演進的縮影。現代 OCR 把傳統流程的大部分壓縮進學得的模型：以連結時序分類（connectionist temporal classification, CTC）訓練的卷積與遞迴網路能一次辨識整行文字，無須明確的字元切割（免切割作法），而目前的系統使用以注意力為基礎的序列模型與 transformer（例如微軟的 TrOCR），在乾淨的印刷文字上達到近乎人類的準確度，並能處理拍攝的場景文字、手寫與多種文字系統。傳統的各階段在概念上存活於這些系統之中，對理解錯誤從何而來仍極具啟發。