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。
DirectDraw Surface (DDS) 格式是一种光栅图像文件格式，主要用于存储视频游戏和其他 3D 应用程序中的纹理和立方体贴图。DDS 格式由 Microsoft 开发，针对硬件加速进行了优化，支持在图形处理单元 (GPU) 上直接使用纹理数据。这种优化通过允许 GPU 直接访问压缩纹理数据，从而显著减少了实时渲染应用程序中图像的加载时间，从而绕过了 CPU 的额外处理或解压缩需求。
DDS 格式的关键特性之一是对 DirectX 纹理压缩 (DXT) 的支持，DXT 是一种有损纹理压缩算法，可在不显著降低图像质量的情况下减小文件大小和纹理传输所需的带宽。DXT 压缩有几种变体，即 DXT1、DXT3 和 DXT5，每种变体在压缩比和质量之间提供不同的平衡。DXT1 适用于没有 Alpha 通道或简单二进制 Alpha 的纹理，DXT3 用于具有显式 Alpha 的纹理，而 DXT5 用于具有插值 Alpha 透明度的纹理。
DDS 格式的另一个显著优势是对 Mipmap 的支持。Mipmap 是纹理的预先计算优化版本，每个版本的分辨率逐渐降低。当物体远离相机时，使用这些较小的纹理，从而提高性能并减少混叠伪影。通过在单个 DDS 文件中存储整个 Mipmap 链，游戏引擎可以根据对象与观察者的距离快速选择最合适的纹理细节级别，从而进一步提高渲染效率。
DDS 格式还支持使用立方体贴图进行立方体环境映射。立方体贴图由六个正方形纹理组成，这些纹理表示从单点观察到的环境中的反射，模拟了 3D 世界中的反射。将这些 立方体贴图直接存储在 DDS 格式中，可以在实时应用程序中实现高效的环境反射，从而增强 3D 图形的沉浸式质量。
除了压缩和效率特性外，DDS 格式还可以存储具有高动态范围 (HDR) 的纹理。HDR 纹理提供更宽的亮度和色彩范围，在 3D 渲染中提供更逼真的光照效果。此功能对于旨在实现逼真视觉质量的现代游戏引擎和图形软件至关重要。DDS 文件中对 HDR 的支持使其在高端图形应用程序中得到广泛使用。
DDS 文件格式结构包括一个头文件和可选的附加头文件，其中包含有关纹理数据（例如高度、宽度、像素数据的格式以及指示 Mipmap 或立方体贴图存在的标志）的元数据。这种结构化的元数据方法允许应用程序准确解释和利用 DDS 文件中的纹理数据，而无需广泛处理或查询数据。
尽管有许多优点，但 DDS 格式也存在局限性和挑战。例如，虽然 DXT 压缩显著减小了文件大小，但它可能会引入伪影，尤其是在具有高细节级别或复杂 Alpha 过渡的纹理中。压缩级别（DXT1、DXT3、DXT5）的选择会影响纹理的视觉保真度，因此纹理艺术家和开发人员必须根据其项目的特定需求选择合适的压缩设置至关重要。
与 DDS 格式相关的另一个挑战是它在游戏开发和 3D 应用程序之外的支持有限。虽然在视频游戏行业和 DirectX 等图形 API 中得到广泛支持和使用，但 DDS 文件并未得到图像编辑软件的普遍支持。此限制需要将 DDS 文件转换为更普遍支持的格式，以便在专业软件之外进行编辑或查看，这可能会使图形艺术家的工作流程复杂化。
然而，图形开发工具和库的进步缓解了其中一些挑战。许多现代图像编辑软件包引入了 DDS 格式的插件或内置支持，允许直接编辑 DDS 文件而无需转换。此外，开源库和工具包使开发人员可以更轻松地将 DDS 支持 集成到其应用程序中，从而将 DDS 格式的可访问性和可用性扩展到其传统的视频游戏和 3D 应用程序领域之外。
DDS 格式的采用已扩展到传统视频游戏之外，涉及虚拟现实 (VR)、增强现实 (AR) 和专业可视化应用程序等领域。在这些领域，DDS 格式的效率和压缩能力特别有价值，因为它们允许在沉浸式环境中实时渲染高质量纹理。这促进了更复杂、更逼真的 VR 和 AR 体验以及用于科学和工业应用的高分辨率可视化工具的开发。
展望未来，图形硬件和软件的持续发展可能会进一步提高 DDS 格式的相关性和功能。新的压缩算法、对高动态范围成像的更高级支持以及对新兴渲染技术的增强支持可能会集成到 DDS 规范中。这些进步将使 DDS 格式继续作为开发尖端 3D 图形和游戏技术的关键工具。
总之，DDS 图像格式代表了 3D 图形和游戏开发领域的一项关键技术，它提供了针对实时渲染需求量身定制的效率、质量和灵活性相结合的优势。它对各种压缩算法、Mipmap、立方体贴图和高动态范围成像的支持使其成为开发人员旨在突破视觉质量和性能界限的不可或缺的格式。尽管在采用和通过压缩引入伪影方面存在一些挑战，但 DDS 格式仍然是现代 3D 图形应用程序的基石，持续的支持和进步确保了它在行业中的持续相关性。
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。