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。
JPEG，即联合图像专家组，是一种常用的有损压缩数字图像的方法，特别是对于数码摄影产生的图像。压缩程度可以调整，允许在存储大小和图像质量之间进行可选择的权衡。JPEG 通常以几乎无法察觉的图像质量损失实现 10:1 压缩。JPEG 压缩算法是 JPEG 文件格式的核心，该格式正式称为 JPEG 交换格式 (JIF)。但是，“JPEG”一词通常用于指实际上标准化为 JPEG 文件交换格式 (JFIF) 的文件格式。
JPEG 格式支持各种色彩空间，但数码摄影和网络图形中最常用的色彩空间是 24 位色彩，其中红色、绿色和蓝色 (RGB) 分量各包含 8 位。这允许超过 1600 万种不同的颜色，提供适合广泛应用的丰富而鲜艳的图像质量。JPEG 文件还可以支持灰度图像和色彩空间，例如 YCbCr，它通常用于视频压缩。
JPEG 压缩算法基于离散余弦变换 (DCT)，它是一种傅里叶变换。DCT 应用于图像的小块，通常为 8x8 像素，将空间域数据转换为频域数据。此过程是有利的，因为它倾向于将图像的能量集中到几个低频分量中，这些分量对图像的整体外观更重要，而高频分量有助于精细的细节，并且可以丢弃而对感知质量的影响较小，被减少。
应用 DCT 后，对所得系数进行量化。量化是将一大组输入值映射到一小组的过程，有效地降低了 DCT 系数的精度。这是 JPEG 有损方面发挥作用的地方。量化程度由量化表决定，该量化表可以调整以平衡图像质量和压缩比。较高的量化 级别会导致更高的压缩和较低的图像质量，而较低的量化级别会导致较低的压缩和较高的图像质量。
对系数进行量化后，它们将按锯齿形顺序序列化，从左上角开始，并按照锯齿形模式穿过 8x8 块。此步骤旨在将低频系数放在块的开头，并将高频系数放在结尾处。由于许多高频系数在量化后可能为零或接近零，因此此排序有助于通过将相似值分组在一起进一步压缩数据。
JPEG 压缩过程中的下一步是熵编码，这是一种无损压缩方法。JPEG 中最常用的熵编码形式是霍夫曼编码，尽管算术编码也是一种选择。霍夫曼编码通过为更频繁的值分配较短的代码，为不那么频繁的值分配较长的代码来工作。由于量化的 DCT 系数按将零和低频值分组的方式排序，因此霍夫曼编码可以有效地减小数据大小。
JPEG 文件格式还允许在文件中存储元数据，例如包含有关相机设置、拍摄日期和时间以及其他相关详细信息的 Exif 数据。此元数据存储在 JPEG 文件的特定于应用程序的段中，各种软件可以读取这些段以显示或处理图像信息。
JPEG 格式的一个关键特性是对渐进编码的支持。在渐进式 JPEG 中，图像以多个越来越详细的通道进行编码。这意味着即使图像尚未完全下载，也可以显示整个图像的粗略版本，随着接收更多数据，图像质量会逐渐提高。这对于网络图像特别有用，允许用户在不必等待整个文件下载的情况下了解图像内容。
尽管 JPEG 格式被广泛使用且具有许多优点，但它也有一些局限性。最显着的问题之一是伪影问题，伪影是由于有损压缩而可能发生的失真或视觉异常。这些伪影可能包括模糊、块状和边缘周围的“振铃”。伪影的可见性受压缩级别和图像内容的影响。具有平滑渐变或微妙颜色变化的图像更容易显示压缩伪影。
JPEG 的另一个限制是它不支持透明度或 alpha 通道。这意味着 JPEG 图像不能有透明背景，这对于某些应用程序（例如网络设计）来说可能是一个缺点，在这些应用程序中，在不同背景上叠加图像很常见。对于这些目的，通常使用支持透明度的格式，例如 PNG 或 GIF。
JPEG 也不支持图层或动画。与用于图层的 TIFF 或用于动画的 GIF 等格式不同，JPEG 严格来说是一种单图像格式。这使其不适合需要分层编辑或创建动画图像的图像。对于需要使用图层或动画的用户，他们必须在编辑过程中使用其他格式，然后在需要时转换为 JPEG 以进行分发。
尽管存在这些限制，但 JPEG 仍然是最流行的图像格式之一，因为它具有高效的压缩和与几乎所有图像查看和编辑软件的兼容性。它特别适合具有连续色调和颜色的照片和复杂图像。对于网络使用，JPEG 图像可以优化以平衡质量和文件大小，使其非常适合快速加载时间，同时仍然提供视觉上令人愉悦的结果。
JPEG 格式也随着 JPEG 2000 和 JPEG XR 等变体的开发而不断发展。JPEG 2000 提供了更高的压缩效率、更好的图像伪影处理能力以及处理透明度。另一方面，JPEG XR 在更高的质量级别下提供了更好的压缩，并支持更广泛的色深和色彩空间。然而，这些较新的格式尚未达到与原始 JPEG 格式相同的普及程度。
总之，JPEG 图像格式是一种通用且广泛支持的格式，它在图像质量和文件大小之间取得了平衡。它使用 DCT 和量化可以显着减小文件大小，同时对图像质量产生可定制的影响。虽然它有一些限制，例如不支持透明度、图层和动画，但它在兼容性和效率方面的优势使其成为数字成像中的主要格式。随着技术的进步，较新的格式可能会提供改进，但 JPEG 的传统和广泛采用确保它将在可预见的 未来仍然是数字成像的基本组成部分。
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。