光学字符识别（OCR）将文本图像（扫描件、智能手机照片、PDF）转换为机器可读的字符串，并越来越多地转换为 结构化数据。现代 OCR 是一个清理图像、查找文本、读取文本并导出丰富元数据的管道， 以便下游系统可以搜索、索引或提取字段。两个广泛使用的输出标准是 hOCR，一种用于文本和布局的 HTML 微格式，以及 ALTO XML，一种面向图书馆/档案馆的模式；两者都保留位置、阅读顺序和其他布局提示，并受 流行引擎（如 Tesseract）支持。
预处理。 OCR 质量始于图像清理：灰度转换、去噪、 阈值处理（二值化）和偏斜校正。经典的 OpenCV 教程涵盖了全局、 自适应 和 Otsu 阈值处理——适用于光照不均匀或双峰直方图的文档。当页面内的光照发生变化时 （例如手机快照），自适应方法通常优于单个全局阈值；Otsu 通过分析直方图自动选择阈值。倾斜校正同样重要：基于霍夫变换的 偏斜校正（霍夫线变换）与 Otsu 二值化相结合，是生产预处理管道中常用且有效的方案。
检测与识别。 OCR 通常分为文本检测（文本在 哪里？）和文本识别（它说了什么？）。在自然场景和许多扫描中，全卷积 检测器（如 EAST ）可以有效地预测单词或行级四边形，而无需繁重的提议阶段，并且已在 常见工具包（例如 OpenCV 的文本检测教程）中实现。在复杂的页面（报纸、表格、书籍）上，行/区域的分割和阅读顺序推断很重要：Kraken 实现了传统的区域/行分割和神经基线分割，并明确支持 不同的脚本和方向（LTR/RTL/垂直）。
识别模型。 经典的开源主力 Tesseract （由 Google 开源，源于 HP）从字符分类器演变为基于 LSTM 的序列 识别器，可以从 CLI 发出可搜索的 PDF、 hOCR/ALTO 友好输出等。现代识别器依赖于序列建模，而无需预先分割字符。 连接主义时间分类 (CTC) 仍然是基础，它学习输入特征序列和输出标签字符串之间的对齐；它广泛 用于手写和场景文本管道。
在过去几年中，Transformer 重塑了 OCR。 TrOCR 使用视觉 Transformer 编码器和文本 Transformer 解码器，在大型合成语料库上进行训练，然后 在真实数据上进行微调，在印刷、手写和场景文本基准测试中表现出色（另请参阅 Hugging Face 文档）。与此同时，一些系统绕过 OCR 进行下游理解： Donut（文档理解 Transformer） 是一种无 OCR 的编码器-解码器，可直接从文档 图像输出结构化答案（如键值 JSON）（仓库， 模型卡），避免了在单独的 OCR 步骤为 IE 系统提供数据时出现错误累积。
如果您想要跨多种脚本的“开箱即用”文本阅读， EasyOCR 提供了一个包含 80 多种语言模型的简单 API，可返回框、文本和置信度——方便用于原型和 非拉丁脚本。对于历史文献， Kraken 以基线分割和脚本感知阅读顺序而著称；对于灵活的行级训练， Calamari 建立 在 Ocropy 的基础上（Ocropy），带有（多）LSTM+CTC 识别器和用于微调自定义模型的 CLI。
泛化取决于数据。对于手写， IAM 手写数据库 为训练和评估提供了不同作者的英语句子；它是 行和单词识别的长期参考集。对于场景文本， COCO-Text 在 MS-COCO 上分层了广泛的注释，带有印刷/手写、清晰/不清晰、脚本和 完整转录的标签（另请参阅原始 项目页面）。该领域还严重依赖合成预训练： 野外合成文本 将文本渲染到具有逼真几何和光照的照片中，为预训练 检测器和识别器提供大量数据（参考 代码和数据）。
ICDAR 的鲁棒阅读 下的竞赛使评估保持接地气。最近的任务强调端到端检测/阅读，并包括将单词 链接成短语，官方代码报告 精确率/召回率/F-score、交并比 (IoU) 和字符级编辑距离度量——反映了从业者应该跟踪的内容。
OCR 很少以纯文本结尾。档案馆和数字图书馆更喜欢 ALTO XML ，因为它 除了内容之外还编码了物理布局（带坐标的块/行/字），并且它与 METS 打包配合得很好。 hOCR 微格式则相反，它使用 ocr_line 和 ocrx_word 等类将相同的思想嵌入到 HTML/CSS 中，从而可以轻松地使用 Web 工具进行显示、编辑和转换。Tesseract 两者都支持——例如， 直接从 CLI 生成 hOCR 或可搜索的 PDF（PDF 输出指南）；像 pytesseract 这样的 Python 包装器增加了便利性。当存储库具有固定的接收 标准时，存在用于在 hOCR 和 ALTO 之间进行转换的转换器——请参阅此精选列表 OCR 文件格式工具。
最强劲的趋势是融合：检测、识别、语言建模，甚至特定于任务的解码 正在合并到统一的 Transformer 堆栈中。在 大型合成语料库 上进行预训练仍然是一个力量倍增器。无 OCR 模型将在目标是结构化输出 而不是逐字记录的任何地方积极竞争。也期待混合部署：一个轻量级检测器加上一个 TrOCR 风格的 识别器用于长格式文本，以及一个 Donut 风格的模型用于表格和收据。
Tesseract (GitHub) · Tesseract 文档 · hOCR 规范 · ALTO 背景 · EAST 检测器 · OpenCV 文本检测 · TrOCR · Donut · COCO-Text · SynthText · Kraken · Calamari OCR · ICDAR RRC · pytesseract · IAM 手写 · OCR 文件格式工具 · EasyOCR
光学字符识别(OCR)是一种技术，用于将不同类型的文档，如扫描的纸质文档、PDF文件或由数字相机拍摄的图像，转换为可编辑和可搜索的数据。
OCR通过扫描输入的图像或文档，将图像分割成单个字符，然后将每个字符与使用模式识别或特征识别的字符形状数据库进行比较。
OCR用于各种行业和应用中，包括数字化打印文档、启用文字到语音服务、自动化数据录入过程、以及帮助视障用户更好地与文本交互。
尽管OCR技术 已取得了巨大的进步，但它并不是绝对可靠的。根据原始文档的质量和所使用的OCR软件的具体情况，其准确性可能会有所不同。
虽然OCR主要用于识别打印的文本，但一些先进的OCR系统也能识别清晰、一致的手写字。然而，由于个人写作风格的巨大差异，手写字体识别通常准确率较低。
是的，许多OCR软件系统可以识别多种语言。然而，需要确保你正在使用的软件支持特定的语言。
OCR是Optical Character Recognition的缩写，用于识别打印的文本，而ICR，或称Intelligent Character Recognition，更先进，用于识别手写的文本。
OCR最适合处理清晰、易于阅读的字体和标准的文字大小。虽然它可以处理各种字体和大小，但是当处理不常见的字体或非常小的文字大小时，准确性可能会下降。
OCR可能会出现问题，如处理低分辨率的文档，复杂的字体，打印质量差的文本，手写文本，以及含有干扰文本的背景的文档。另外，尽管它可以处理多种语言，但可能并不能完美地覆盖所有语言。
是的，OCR可以扫描彩色的文本和背景，虽然它通常对高对比度的颜色组合更有效，比如黑色的文本和白色的背景。当文本和背景颜色对比度不足时，其准确性可能会降低。
BMP 文件格式，也称为位图图像文件或设备无关位图 (DIB) 文件格式，表示栅格图形图像。此文件格式通常用于存储不同颜色深度的二维数字图像，其特点是简单且兼容性广泛。自 BMP 格式诞生以来，它经历了多次修订，其中 BMP2 变体是最早和最直接的版本之一。本说明旨在深入探讨 BMP2 文件格式的技术复杂性，全面了解其结构、组件和用法。
BMP2 文件格式经过专门设计，可在 Windows 和兼容操作系统上轻松实现，反映了一个以软件简单性和直接硬件接口至上的时代。与优先考虑压缩和颜色准确性的现代图像格式不同，BMP2 专注于将图像直接表示为直接映射到显示器网格的像素。这种方法使 BMP2 文件能够快速呈现，而无需复杂的处理，使其适用于需要快速加载图像且无需考虑文件大小或传输效率的应用程序。
BMP2 文件的结构非常简单，由文件头、位图信息头、调色板（如果适用）和实际位图数据组成。文件头通常称为 BITMAPFILEHEADER，它提供有关文件的一般信息，例如其类型、大小和到位图数据的偏移量。此头确保文件被识别为 BMP，并有助于基本验证和解析操作。BMP 文件的显着特征是其签名，通常是字符“BM”，位于文件的开头。
在文件头之后是位图信息头，在 BMP2 文件中称为 BITMAPINFOHEADER。此段提供有关图像的详细信息，包括尺寸（宽度和高度）、颜色平面的数量、每像素位数（决定颜色深度）、压缩方法（如果有，但 BMP2 通常不使用压缩）、原始位图数据的大小以及每米的水平和垂直分辨率（以像素为单位）。BITMAPINFOHEADER 在解释随后的像素数据方面发挥着至关重要的作用，使应用程序能够正确呈现图像。
颜色深度是位图信息头中定义的关键参数之一，它从根本上影响文件的视觉质量和大小。BMP2 文件可以支持各种颜色深度，从单色（1 位）、4 位和 8 位（使用调色板）到 24 位（真彩色，没有调色板）。颜色深度的每次增加都会允许更广泛的颜色范围，但也会按比例增加文件大小，因为需要更多数据来表示每个像素的颜色。
如果 BMP2 文件的颜色深度小于每像素 24 位，则在位图信息头之后会包含一个调色板。此调色板包含一组预定义的颜色，其中每个条目通常由 4 个字节表示：三个用于红色、绿色和蓝色颜色分量，一个用于填充（或保留以备将来使用）。通过引用颜色而不是直接指定每个像素的颜色，调色板可以更有效地存储图像。这对于颜色范围有限的图像或在减小文件大小是优先事项时特别有益。
BMP2 文件的核心是位图数据本身，它以网格形式表示图像的像素，该网格对应于位图信息头中指定的宽度和高度。每个像素的颜色根据文件的颜色深度确定：在真彩色模式下，颜色由其红色、绿色和蓝色分量直接指定；在索引颜色模式下，每个像素引用调色板中的一个条目。值得注意的是，BMP2 文件中的位图数据以自下而上的格式存储，这意味着数据从图像的左下角开始，逐行向上进行。
处理 BMP2 文件时面临的一个独特挑战是处理对齐和填充。位图行在 4 字节边界上对齐，这可能需要在每行末尾填充，具体取决于图像的宽度和颜色深度。此填充确保每行的起始地址是 4 字节的倍数，与 CPU 的自然字大小对齐，以获得最佳访问速度。然而，在读取或写入 BMP2 文件时，这可能会引入额外的复杂性，因为必须考虑填充字节，但它们并不表示实际图像数据。
尽管 BMP2 文件格式很简单，但它本身不支持压缩。与 JPEG 或 PNG 等使用复杂压缩算法来显着减小文件大小而不会大幅降低图像质量的更现代格式相比，这会导致文件大小更大。BMP2 中缺乏压缩使其不太适合网络使用或存储效率至关重要的应用程序。然而，它的简单性和图像数据的直接表示使其非常适合某些应用程序，例如本地处理或质量保留至关重要的应用程序。
BMP2 文件格式的另一个值得注意的方面是它通过在位图信息头中包含分辨率信息来支持设备独立性。通过以每米像素为单位指定图像的水平和垂直分辨率，BMP 文件可以提供有关如何在具有不同显示分辨率的设备上缩放图像的指导。这确保了图像可以正确且一致地呈现，无论底层硬件如何，从而提高了格式的多功能性。
在软件支持方面，BMP2 文件在各种操作系统和图像处理应用程序中得到普遍支持。这种广泛的兼容性源于该格式的简单性和 Microsoft 提供的详细文档。然而，虽然几乎所有图形软件都可以读取和写入 BMP 文件，但开发人员和最终用户通常会选择更现代的格式，这些格式为大多数应用程序提供了更好的压缩和色彩保真度。尽管如此，BMP 格式的简单性和兼容性使其仍然相关，尤其是在其特定优势有益的情况下。
鉴于 BMP2 文件格式的技术特性、其简单的结构和直接的像素数据表示，该格式特别适合学习基本的图像处理概念。对于图形编程或数字图像处理的初学者来说，使用 BMP 文件可以深入了解图像如何以数字方式表示、处理和存储。此外，缺乏压缩简化了图像数据的理解和处理，使学习者能够专注于核心概念，而无需解码压缩格式的开销。
总之，虽然 BMP2 文件格式可能不是数字成像最有效或最先进的选择，但其简单性、直接性和广泛的支持使其在某些情况下成为一种有价值的工具。该格式的设计反映了一个时代，其中易用性和对像素数据的直接访问优先于文件大小和压缩。对于不需要高效存储或传输图像的应用程序，或者与数字成像和图形编程相关的教育目的，BMP2 文件提供了一个实用且易于访问的选择。
这个转换器完全在您的浏览器中运行。当您选择一个文件时,它将被读入内存并转换为所选格式。 然后,您可以下载转换后的文件。
转换立即开始,大多数文件在一秒钟内完成转换。较大的文件可能需要更长时间。
您的文件永远不会上传到我们的服务器。它们在您的浏览器中转换,然后下载转换后的文件。我们永远看不到您的文件。
我们支持在所有图像格式之间进行转换,包括 JPEG、PNG、GIF、WebP、SVG、BMP、TIFF 等等。
这个转换器完全免费,并将永远免费。因为它在您的浏览器中运行,所以我们不需要为服务器付费,因此我们不需要向您收费。
是的!您可以同时转换尽可能多的文件。只需在添加时选择多个文件即可。