多媒体与 3D · 进阶
OCR(文字识别)
Optical Character Recognition
让电脑把图片里的文字认出来,变成可以复制、搜索和编辑的文本。截图、扫描件、发票都能这样处理。
TL;DR三十秒版本
- 让电脑认图片里的字,变成能复制、能搜索的文本。
- 截图、扫描件、拍歪的发票都能这样处理。
- 手写体和拍得糊的图容易认错,重要内容要人工核。
Overview详细说说
OCR 全称光学字符识别,意思是让电脑看懂图片里的字。一张截图、一页扫描文件、一张拍歪了的发票,经过它处理就变成能复制、能搜索、能编辑的文字。识别结果通常是纯文本,可以继续交给检索、翻译或摘要工具处理。
图片里的字对人眼是字,对电脑只是一堆有颜色的点。要拿去做统计、检索,或者交给后面的程序处理,先得把这堆点还原成字符。对电脑来说,字形和字义都无从谈起,它做的其实是把图像里的形状对应回字符,手工再敲一遍又慢又容易错。
它通常摆在流程的最前面。先把图片或扫描件里的字取出来,再把纯文本交给后面的整理、翻译或生成环节。一条自动化的文档流水线,第一步往往就是它,后面的环节都靠它给出的文字。
别以为它一定百分百准。手写体、艺术字、倾斜拍摄、光线不足和低分辨率都会让识别出错,最典型的是把数字 0 和字母 O、数字 1 和字母 l 弄混。识别难度也跟语言和字体有关,常见印刷体和清晰扫描件通常最稳,重要的数字和专有名词,事后最好还是人工核一遍。
它和图像生成的方向正好相反:一个是从图里读字,一个是写字出图。前者把图像变成文本,后者把文本变成图像,用处也完全不同,别把两者说混。
Myths常见误解
- ✕以为它认出来就一定对 ✓手写、倾斜、光线差的图容易认错,数字 0 和字母 O 常混
- ✕以为它和图像生成是一回事 ✓一个是从图里读字,一个是写字出图,方向正好相反
- ✕以为识别完就没事了 ✓它是流程的第一步,后面的检索和翻译都得靠它给出的文字
In practice你会在哪用到它
- 把一叠发票拍照,一次性转成能录入表格的文字
- 看到图片里的一段资料,用识别工具取出来直接引用
- 把扫描的老文件转成文本,再拿去翻译或搜索
Summary记住这几点就够了
- OCR 把图片里的文字识别成可编辑、可复制的文本
- 它常是流程的第一步,先把字取出来再交给后续处理
- 手写体和低清晰度容易认错,关键内容要人工核对
常见问题
OCR(文字识别)是什么意思?
让电脑认图片里的字,变成能复制、能搜索的文本。截图、扫描件、拍歪的发票都能这样处理。手写体和拍得糊的图容易认错,重要内容要人工核。
OCR(文字识别)一般用在什么地方?
把一叠发票拍照,一次性转成能录入表格的文字;看到图片里的一段资料,用识别工具取出来直接引用;把扫描的老文件转成文本,再拿去翻译或搜索。
关于OCR(文字识别),最容易搞错的是什么?
以为它认出来就一定对,其实手写、倾斜、光线差的图容易认错,数字 0 和字母 O 常混;以为它和图像生成是一回事,其实一个是从图里读字,一个是写字出图,方向正好相反。
OCR(文字识别)要记住哪几点?
OCR 把图片里的文字识别成可编辑、可复制的文本;它常是流程的第一步,先把字取出来再交给后续处理;手写体和低清晰度容易认错,关键内容要人工核对。
容易踩的坑 重要的数字和专有名词别全信识别结果,人工复查一遍能省掉很多返工。
全站第 133 / 186 条 · 全部词条
接着读Related reading
字幕(Subtitle)
视频里叠在画面上、跟着说话内容出现的文字,把听到的话变成能一眼扫过的字。听不清、静音刷手机或看外语视频时都靠它。
分镜(Storyboard)
视频开拍前,把脚本拆成一个个镜头、每个镜头配一张画面草稿的规划动作。它定的是每个镜头拍什么、大概几秒,不是成片效果。
3D 建模(Modeling)
在电脑的三维空间里,把一个物体的立体形状一点点搭出来。有了形状,才能接着做表面材质、打光、渲染和动画。
Three.js(网页 3D 库)
一套让网页直接显示三维画面的 JavaScript 工具库。你不用碰浏览器最底层的图形指令,几行代码就能在网页里放出一个能旋转、会打光的立体场景。
Blender(3D 软件)
一款免费开源的 3D 创作软件,建模、上色、打光、渲染、动画都能在同一个程序里完成。个人和小团队不用花大钱,也能走完整套 3D 流程。
剪映(视频剪辑软件)
国内最常见的视频剪辑软件,手机和电脑都能用,海外版叫 CapCut。拖素材、切时间轴、加字幕、套模板,新手几分钟也能剪出一条能发的视频。