OCR技术
iPhone OCR应用
从iPhone的扫描件、照片和PDF中提取可搜索文字。50多种语言的设备端OCR，含手写。
从iPhone的扫描件、照片和PDF中提取可搜索文字。50多种语言的设备端OCR，含手写。
OCR（Optical Character Recognition，光学字符识别）是一种把文字图像——纸面照片、扫描文档、屏幕截图——转换成可被机器识读的文本，便于搜索、复制、编辑和再利用的技术。iPhone的OCR应用把识别过程放在移动设备上完成，而不是依赖电脑或服务器，把相机变成捕获文字的工具，适用于票据、合同、名片、教材页面与手写笔记。ScanLens通过Apple Vision与Neural Engine在设备端执行OCR——文档在识别过程中不会离开iPhone。
本页讲的是通过OCR提取文字。完整的「拍摄并保存」流程见iPhone文档扫描器页面。关于PDF内部的OCR（不可见文本层）见可搜索PDF页面。扫描器对比见PDF扫描器综述。
当您扫描文档时，ScanLens在iPhone上完整执行文字识别管线：
所有OCR处理在本地通过Apple Neural Engine完成。文档不会离开iPhone——即使是敏感材料也享有完整隐私。
ScanLens背后的OCR引擎是Apple的Vision框架——与「实况文本」和相机应用所用的系统级文字识别同源。Vision提供一个请求VNRecognizeTextRequest，它接收一张图像，返回识别出的字符串，每个都带有边界框和置信度分数。ScanLens把扫描页面交给这个请求，再用识别出的文字及其在页面上的坐标，构建可复制的文本和不可见的PDF文本层。
Vision提供两条识别路径。精确路径运行一个神经网络，结合上下文整词整行地读取，正是它能应对凌乱的间距、多变的字体以及连写的草书；快速路径则以准确率换取速度，适合简单干净的文本。对于文档扫描，精确路径是合理的默认选择，也是最依赖iPhone机器学习硬件的那一条。
这块硬件就是Neural Engine，Apple芯片中专为快速、低功耗运行神经网络而设计的模块。由于文字识别本身是一项神经网络任务，它会落在Neural Engine上，而不会占用主CPU——这也是为什么近期的iPhone识别一张干净页面用时远不到一秒，多页扫描也只需几秒，而不会产生长时间上传所带来的发热与耗电。
每一次扫描都会经过同样有序的步骤。照片首先被规范化——透视校正使页面摆正，再增强对比度让墨与纸分离。Vision执行文本检测，定位包含文字的区域，舍弃空白边距与图形。每个区域进入识别，神经模型把像素转换成字符，并归并为词与行。随后的语言模型环节把含糊的字形解析为真实的词，而非近似的错词。最后，ScanLens在页面图像背后放置一层不可见的文本层，正是它让导出的PDF变得可搜索——这与可搜索PDF页面所述的流程相同，只是换到引擎的视角来看。
整条管线都在iPhone本机上运行。页面图像、识别出的文字以及您复制的任何内容，在OCR过程中都不会离开设备——没有上传、没有账户、没有远程服务器短暂持有您的文档。这与基于网页的「图像转文字」转换器以及App Store中许多OCR工具有着实质区别，后者会把您的照片发到服务器去识别。对于一张护照页、一封医疗信函或一份签署过的合同来说，「在我手机上处理」和「上传到别人服务器」之间的差别，正是要点所在。这也意味着即便完全没有网络连接，识别照样可用。
ScanLens的OCR覆盖大量语言与文字系统——适用于国际文档、学术研究和多语言工作流：
对于多语言文档——例如带有日语批注的英文教材——ScanLens会自动识别并独立处理每种语言，无需手动切换。
在iPhone上，「OCR」常被用来指代三种不同的东西。它们彼此重叠，但各自对应着不同的用途。
实况文本能识别「照片」、相机取景框以及屏幕截图中的文字。轻点文字选取标志，即可复制文字。它免费、即时，且内置于近期每一部iPhone——适合从传单上抓个电话号码、从卡片上读个Wi-Fi密码，或从截图里取几行字。但面对文档时，它的局限就显现了：一次只处理一张图像，不能多页批量处理，没有可搜索PDF，也不会对拍摄的页面做矫正或清理。
这正是ScanLens所做的。OCR是文档工作流中的一个环节：拍摄或导入一页，应用对其矫正并增强，识别文字，并让这些文字始终附着在文档上——作为可搜索PDF文本层、作为可复制文本，或作为交给Pages或Word的输入。识别会在整份文档中逐页进行，文字会随归档的文件一同保留。当文字属于一份您想留存、搜索或发送的文档时，这就是合适的工具。
有些应用只做OCR：粘贴一张图像，返回文字。许多是基于网页的，会把图像上传到服务器去识别。对偶尔的某张图很方便，但它们带来的隐私代价和对网络的依赖，正是设备端、以文档为先的工具所能避免的。如果内容敏感，对这一类就要格外谨慎。
经验法则：实况文本用于快速抓取片段，应用内的OCR功能则用于文字属于您要留存的文档之时。若专门要从一张照片中提取文字，从照片扫描文字的操作指南介绍了最快的路径。
ScanLens在干净、光照良好的印刷文档上效果最佳，对许多手写笔记和混合排版页面也保持可用。OCR质量始终取决于原始材料，因此按文档条件描述效果，比假装每张页面都一致更准确。
对于手写文本，效果取决于可读性和对比度。清晰的笔迹通常可以直接使用，而潦草或紧凑的笔记多半需要人工复核。
当ScanLens从文档中提取出文字后，您可以：
OCR（Optical Character Recognition）把文字图像转换为机器可读的文本。ScanLens分析页面版面、识别文本区域，并将其转换为可搜索、可选取的文本——便于在PDF、笔记和其他文档中再利用。
ScanLens的OCR支持50多种语言，包括英语、西班牙语、法语、德语、简体与繁体中文、日语、韩语、阿拉伯语、希伯来语、俄语等。覆盖拉丁与非拉丁文字系统，并能在同一文档中自动识别多种语言。
能。ScanLens支持手写识别。结果取决于可读性、光线与扫描质量——清晰的笔迹与墨与纸之间强烈的对比效果最好。
可以。ScanLens把OCR文本以不可见方式嵌入PDF，使其完全可搜索。视觉外观不变，但任何PDF阅读器中Ctrl+F（或Cmd+F）都能找到任意词或短语。
可以。所有识别都通过Apple Neural Engine在iPhone本地完成。无需互联网，文档不离开设备。即便是敏感文档也享有完整隐私。
