图片，截图文字识别——最好用的文字提取工具

图片，截图文字识别——最好用的文字提取工具

2024-10-31 17:47

这个软件是github上一个开源的软件，非常好用

OCR图片转文字识别软件，完全离线。截屏/批量导入图片，支持多国语言、合并段落、竖排文字。可排除水印区域，提取干净的文本。基于 PaddleOCR 。

hiroi-sora/Umi-OCR: OCR图片转文字识别软件，完全离线。截屏/批量导入图片，支持多国语言、合并段落、竖排文字。可排除水印区域，提取干净的文本。基于 PaddleOCR 。 (github.com)

免费：本项目所有代码开源，完全免费。
方便：解压即用，离线运行，无需网络。
批量：可批量导入处理图片，结果保存到本地 txt / md / jsonl 多种格式文件。也可以即时截屏识别。
高效：采用 PaddleOCR-json C++ 识别引擎。只要电脑性能足够，通常比在线OCR服务更快。
精准：默认使用PPOCR-v3模型库。除了能准确辨认常规文字，对手写、方向不正、杂乱背景等情景也有不错的识别率。可设置忽略区域排除水印、设置文块后处理合并排版段落，得到规整的文本。

下载压缩包并解压全部文件即可。

点击截图按钮或自定义快捷键，唤起截图识别。

还可以设置截图后生成一个预览窗口。预览窗口可以被钉在屏幕顶层，或调为半透明，方便对比查看。

在任何地方（如文件管理器，网页，微信）复制图片，软件上点击粘贴按钮或快捷键，自动识别。

将图片或文件夹拖进软件，批量转换文字。也可以点击按钮打开浏览窗口导入。

识别结果将保存到本地。可选生成纯文本txt文件、带链接Markdown文件、原始信息jsonl文件等不同格式。可配置任务完成后执行关机/待机。

OCR识别出的文本是按“块”划分的，通常一行文字分为一块，有时还会将一行误划分为多块，这给阅读带来了不便。文本块后处理就是对文本块进行再加工的过程，合并同一行或同一段落内的文字，按正确的顺序排序。

将误划分为多块的同一行文字合并到一行。

将多个左对齐的行视为同一段落，合并文字。左侧未对齐或行距过大的行视为下一段落。

将多个左对齐的行视为同一段落，且第一行的开头允许多空出两个全角空格的宽度。

只要垂直投影有重叠，行高一致，距离较近的文本块，视为同一段落。

优化竖排识别，合并同一行文字，按从左到右或从右到左的顺序输出每一行。注意，必须搭配支持竖排识别的模型库（识别语言）一起使用。

可以在忽略区域编辑器内预览文本块后处理的效果。编辑器中以虚线框标出识别到、经过后处理的文字块。

这里仅仅是借用了编辑器来展示后处理的效果，实际运行任务时 忽略区域机制早于后处理机制 执行，不受后处理的影响。

忽略区域是本软件特色功能，可用于排除图片中水印的干扰，让识别结果只留下所需的文本。

“忽略区域”是指图片上指定位置与大小的矩形区域，完全处于这些区域内的文字块，将被排除。

简单案例见下。

忽略区域A ：正常情况下，处于 忽略区域A 内的文字不会输出。
识别区域 ：当识别区域内存在文本时，忽略区域A失效 ；即处于忽略区域A内的文字也会被输出。
忽略区域B ：当 忽略区域A失效 时，忽略区域B才生效；即处于区域A内的文字会输出、区域B内的文字不会输出。

识别区域忽略区域A忽略区域B× 不存在文字√ 生效× 失效√ 存在文字× 失效√ 生效
“忽略区域配置”只针对一种分辨率生效。假如配置的分辨率是1920x1080，那么批量识别图片时，只有符合1920x1080的图片才会排除干扰文本；1920x1081的图片中的文字会全部输出。
拖入预览的图片必须分辨率相同。假如先拖入1920x1080的图片，再拖入其它分辨率的图片；软件会弹窗警告。只有点击清空删除当前已配置的忽略区域，才能拖入其他分辨率图片，并应用此分辨率。