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。
CUR 图像格式通常与 Microsoft Windows 操作系统相关联，专门设计用于鼠标光标。它是 ICO 文件格式的变体，主要用于图标。CUR 和 ICO 格式之间的主要区别在于 CUR 格式中存在热点。热点是一个由坐标定义的指定点，它确定光标单击操作的确切位置。此独特功能对于确保与图形用户界面 (GUI) 的准确交互至关重要。
在内部，CUR 文件格式的结构与 ICO 格式类似，包含一个图标目录、一个文件中的每个图像的目录项以及图像位图数据本身。图标目录指定 CUR 文件中的图像数量，而每个目录项包括图像尺寸、颜色深度和位图在文件中的偏移量等信息。此格式允许 CUR 文件包含多个图像，从而实现动画光标或具有不同分辨率的光标。
CUR 文件的关键方面之一是对各种像素格式和颜色深度的支持。这种灵活性允许开发人员创建视觉上复杂且美观的光标，而不会牺牲性能。CUR 格式可以支持从单色（1 位）到具有 alpha 通道的 32 位真彩的颜色深度。alpha 通道特别重要，因为它可以渲染半透明光标，从而实现平滑的边缘和阴影，从而增强用户界面的整体外观和感觉。
前面提到的热点在 CUR 文件中实际位图数据之前的 DIB（设备无关位图）头中定义。热点的坐标通常以像素为单位从光标图像的左上角指定。此精确定义使操作系统能够解释光标的“活动”部分在哪里，确保在用户单击时正确的区域做出响应。这是一个小但至关重要的细节，通过在光标功能中提供准确性和可预测性，极大地影响了用户体验。
创建和编辑 CUR 文件需要能够处理格式独特方面的专用软件，包括设置热点坐标和管理各种颜色深度。虽然有许多可用于创建光标的商业和免费应用程序，但了解 CUR 格式的技术规范对于旨在为 Windows 应用程序或网站开发自定义光标的专业人士至关重要。这些知识使他们能够充分利用该格式的功能，确保他们的光标既实用又具有视觉吸引力。
CUR 格式的另一个显着特点是其向后兼容性和在 Windows 操作系统中的集成。自第一个 Windows 版本推出以来，CUR 格式一直是光标的标准。这种集成确保了 CUR 文件得到本机支持，无需额外的软件或驱动程序即可正确渲染光标。这种无缝集成证明了该格式的稳健设计及其在 Windows 中维护一致且用户友好的界面中的重要性。
CUR 格式还通过支持多种分辨率来鼓励光标设计的优化。由于 CUR 文件可以包含不同大小的图像，因此软件开发人员可以设计在各种显示分辨率和大小上看起来清晰的光标。此功能在现代计算环境中变得越来越重要，在现代计算环境中，从传统显示器到高分辨率笔记本电脑和平板电脑，显示技术和分辨率范围很广。通过在单个 CUR 文件中包含多个光标大小，开发人员可以通过确保光标在所有设备上保持视觉吸引力和功能性来增强用户体验。
尽管有这些优点，但 CUR 格式也存在局限性。最显着的限制是它在 Windows 操作系统中专门用于光标。这种专业化意味着 CUR 文件不如 PNG 或 JPEG 等其他图像格式通用，后者可以服务于广泛的用途。此外，依赖特定软件来创建和编辑 CUR 文件对于某些用户来说可能是一个障碍。然而，对于其在 Windows 环境中的预期用途，CUR 格式在功能和集成方面是无与伦比的。
光标使用和设计方面的技术进步导致了 CUR 文件的标准和最佳实践的发展。例如，仔细注意光标美学，例如轮廓、填充和阴影，可以显着影响用户快速准确地识别交互活动点的能力。此外，在设计光标时考虑用户在不同背景颜色和纹理上的体验至关重要。这涉及确保光标在各种背景下保持清晰可见，可能需要为同一光标使用不同的配色方案或设计。
在软件开发和用户界面设计领域，CUR 格式代表了一种专门的工具，虽然小众，但在用户与图形界面的交互中发挥着至关重要的作用。它定义热点和支持不同颜色深度和分辨率的能力使其成为希望创建直观且视觉上引人注目的光标的开发人员的强大选择。与良好的设计实践相结合时，CUR 文件可以显着增强软件应用程序和网站的可用性和美观性。
随着技术的进步，CUR 文件功能和支持的未来发展潜力是存在的。虽然该格式的基础多年来一直保持相对稳定，但高 DPI 显示器和虚拟现实环境等新技术可能需要对 CUR 格式进行增强或开发全新的光标格式。此类进步可能包括更高的分辨率支持、更高级的动画功能，甚至 3D 光标设计，以适应新型界面并增强沉浸式环境中的用户交互。
总之，CUR 图像格式在 Windows 中的用户界面设计和功能中发挥着至关重要的作用。其专门的设计和功能，例如热点定义以及对多种分辨率和颜色深度的支持，使其成为创建既实用又视觉上吸引人的光标的必备工具。虽然它在用例和创建和编辑所需的专用软件方面可能存在限制，但 CUR 格式仍然是 Windows 用户体验中不可或缺的一部分。理解和利用 CUR 格式的技术方面可以显着影响软件开发，提供通过周到的光标设计增强用户交互的机会。
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。