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。
JP2 或 JPEG 2000 第 1 部分文件格式是一种图像编码系统，由联合图像专家组创建，作为原始 JPEG 标准的继任者。它于 2000 年推出，正式名称为 ISO/IEC 15444-1。与它的前身不同，JPEG 2000 被设计为提供一种更高效、更灵活的图像压缩技术，可以解决原始 JPEG 格式的一些局限性。JPEG 2000 使用基于小波的压缩，它允许在同一个文件中进行无损和有损压缩，从而提供更高的可扩展性和图像保真度。
JPEG 2000 格式的一个关键特性是它使用离散小波变换 (DWT)，而不是原始 JPEG 格式中使用的离散余弦变换 (DCT)。DWT 比 DCT 具有多个优势，包括更好的压缩效率，特别是对于高分辨率图像，以及减少块状伪影。这是因为小波变换能够以不同的细节级别表示图像，可以根据应用程序的特定需求或用户的偏好进行调整。
JP2 格式支持广泛的色彩空间，包括灰度、RGB、YCbCr 等，以及各种位深度，从二进制图像到每个通道 16 位。这种灵活性使其适用于各种应用程序，从数码摄影到医学成像和遥感。此外，JPEG 2000 通过使用 Alpha 通道支持透明度，这是标准 JPEG 格式中不可能的。
JPEG 2000 的另一个重要优势是它支持渐进解码。这意味着可以在整个文件下载之前以较低的分辨率和质量级别解码和显示图像，这对于 Web 应用程序特别有用。随着更多数据的可用，图像质量可以逐步提高。此功能称为“质量层”，它允许有效利用带宽，并在带宽受限的环境中提供更好的用户体验。
JPEG 2000 还引入了“感兴趣区域”(ROI) 的概念。使用 ROI，图像的某些部分可以比图像的其余部分以更高的质量进行编码。当需要将注意力吸引到图像中的特定区域时，这特别有用，例如在监视或医学诊断中，重点可能放在图像中的特定异常或特征上。
JP2 格式包括强大的元数据处理功能。它可以存储广泛的元数据信息，例如国际电信理事会新闻处 (IPTC) 元数据、Exif 数据、XML 数据，甚至知识产权信息。这种全面的元数据支持促进了更好的图像编目和存档，并确保了有关图像的重要信息得到保留并且可以轻松访问。
抗错性是 JPEG 2000 的另一个特性，使其适用于可能发生数据丢失的网络，例如无线或卫星通信。该格式包括错误检测和纠正机制，这有助于确保即使在传输过程中某些数据已损坏，图像也能正确解码。
与以类似质量级别编码的 JPEG 文件相比，JPEG 2000 文件通常更大，这是其广泛采用的障碍之一。但是，对于图像质量至关重要且文件大小增加不是主要问题的情况，JPEG 2000 提供了明显的优势。还值得注意的是，与 JPEG 相比，该格式的卓越压缩效率可以在更高的质量级别下产生更小的文件大小，特别是对于高分辨率图像。
JP2 格式是可扩展的，并且被设计为称为 JPEG 2000 的更大标准套件的一部分。该套件包括扩展基本格式功能的各个部分，例如支持动态图像（JPEG 2000 第 2 部分）、安全图像传输（JPEG 2000 第 8 部分）和交互式协议（JPEG 2000 第 9 部分）。这种可扩展性确保了该格式可以不断发展以满足未来多媒体应用程序的需求。
在文件结构方面，JP2 文件由一系列盒子组成，每个盒子都包含特定类型的数据。这些盒子包括文件签名盒子，它将文件标识为 JPEG 2000 码流；文件类型盒子，它指定媒 体类型和兼容性；以及头文件盒子，它包含图像属性，例如宽度、高度、色彩空间和位深度。其他盒子可以包含颜色规范数据、索引颜色图像的调色板数据、分辨率信息和知识产权数据。
JP2 文件中的实际图像数据包含在“连续码流”框中，其中包括压缩的图像数据和任何编码样式信息。码流被组织成“图块”，它们是图像的独立编码段。此平铺功能允许有效地随机访问图像的各个部分，而无需解码整个图像，这对于大图像或仅需要图像的一部分时非常有益。
JPEG 2000 中的压缩过程涉及几个步骤。首先，图像可以进行预处理，其中可能包括平铺、颜色转换和降采样。接下来，应用 DWT 将图像数据转换为分层系数集，这些系数以不同的分辨率和质量级别表示图像。然后对这些系数进行量化，这可以以无损或有损的方式进行，并且使用算术编码或二叉树编码等技术对量化值进行熵编码。
采用 JPEG 2000 的挑战之一是编码和解码过程的计算复杂性，它们比原始 JPEG 标准的计算复杂性更高。这限制了它在某些实时或低功耗应用程序中的使用。然而，计算能力的进步以及优化算法和硬件加速器的开发使 JPEG 2000 更容易用于更广泛的应用程序。
尽管有其优势，JPEG 2000 并没有在大多数主流应用程序中取代原始 JPEG 格式。JPEG 的简单性、广泛的支持以及现有基础设施的惯性促成了它持续的主导地位。然而，JPEG 2000 在专业领域找到了一个利基市场，其高级功能（例如更高的动态范围、无损压缩和卓越的图像质量）至关重要。它通常用于医学成像、数字电影、地理空间成像和归档存储，其中该格式的优点超过了文件大小更大、计算要求更高的缺点。
总之，JPEG 2000 图像格式代表了图像压缩技术的一项重大进步，提供了一系列功 能，改进了原始 JPEG 标准的局限性。它使用基于小波的压缩可以生成具有可扩展分辨率和质量的高质量图像，并且它对渐进解码、感兴趣区域和强大元数据的支持使其成为许多专业应用程序的通用选择。虽然它尚未成为图像压缩的通用标准，但 JPEG 2000 仍然是图像质量和保真度至关重要的行业的宝贵工具。
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。