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。
JPS 图像格式，JPEG 立体图像的简称，是一种用于存储数码相机拍摄或 3D 渲染软件创建的立体照片的文件格式。它本质上是在单个文件中并排排列两张 JPEG 图像，当通过适当的软件或硬件查看时，可提供 3D 效果。此格式特别适用于在图像中创建景深错觉，从而增强了具有兼容显示系统或 3D 眼镜的用户的观看体验。
JPS 格式利用成熟的 JPEG（联合图像专家组）压缩技术来存储这两张图像。JPEG 是一种有损压缩方法，这意味着它通过有选择地丢弃不太重要的信息来减小文件大小，通常不会明显降低人眼看到的图像质量。尽管包含两张图像而不是一张图像，但这使得 JPS 文件相对较小且易于管理。
JPS 文件本质上是一个具有特定结构的 JPEG 文件。它在单个帧内并排包含两张 JPEG 压缩图像。这些图像称为左眼图像和右眼图像，它们表示同一场景略有不同的视角，模仿我们每只眼睛所看到的细微差别。当图像正确查看时，这种差异正是感知景深的原因。
JPS 图像的标准分辨率通常是标准 JPEG 图像宽度的两倍，以容纳左右两张图像。例如，如果标准 JPEG 图像的分辨率为 1920x1080 像素，则 JPS 图像的分辨率为 3840x1080 像素，每个并排图像占据总宽度的二分之一。但是，分辨率可能会根据图像来源和预期用途而有所不同。
要以 3D 方式查看 JPS 图像，查看者必须使用兼容的显示设备或软件，该设备或软件可以解释并排图像并将其分别呈现给每只眼睛。这可以通过各种方法实现，例如：红蓝立体成像，其中图像按颜色过滤并用彩色眼镜查看；偏振立体成像，其中图像通过偏振滤光片投影并用偏振眼镜查看；或主动快门立体成像，其中图像交替显示并与快门眼镜同步，快门眼镜快速打开和关闭以向每只眼睛显示正确的图像。
JPS 图像的文件结构类似于标准 JPEG 文件。它包含一个头文件，其中包括 SOI（图像开始）标记，后跟一系列包含各种元数据和图像数据本身的段。这些段包括 APP（应用程序）标记，其中可以包含诸如 Exif 元数据之类的信息，以及 DQT（定义量化表）段，该段定义用于压缩图像数据的量化表。
JPS 文件中的一个关键段是 JFIF（JPEG 文件交换格式）段，它指定文件符合 JFIF 标准。此段对于确保与各种软件和硬件的兼容性非常重要。它还包括诸如缩略图图像的纵横比和分辨率之类的信息，可用于快速预览。
JPS 文件中的实际图像数据存储在 SOS（扫描开始）段中，该段位于头文件和元数据段之后。此段包含左右两张图像的压缩图像数据。数据使用 JPEG 压缩算法进行编码，其中涉及一系列步骤，包括色彩空间转换、子采样、离散余弦变换 (DCT)、量化和熵编码。
色彩空间转换是将图像数据从 RGB 色彩空间（通常用于数码相机和计算机显示器）转换为 JPEG 压缩中使用的 YCbCr 色彩空间的过程。此转换将图像分成亮度分量 (Y)，它表示亮度级别，以及两个色度分量 (Cb 和 Cr)，它们表示颜色信息。这有利于压缩，因为人眼对亮度变化比对颜色更敏感，从而允许更激进地压缩色度分量，而不会显着影响感知的图像质量。
子采样是一种利用人眼对颜色细节敏感性较低的过程，它通过降低色度分量相对于亮度分量来降低分辨率。常见的子采样率包括 4:4:4（无子采样）、4:2:2（将色度的水平分辨率降低一半）和 4:2:0（将色度的水平和垂直分辨率都降低一半）。子采样率的选择会影响图像质量和文件大小之间的平衡。
离散余弦变换 (DCT) 应用于图像的小块（通常为 8x8 像素），以将空间域数据转换为频域。此步骤对于 JPEG 压缩至关重要，因为它允许将图像细节分离为不同重要性的分量，其中较高频率分量通常对人眼不太明显。然后可以对这些分量进行量化或降低精度以实现压缩。
量化是将值范围映射到单个量子值的过程，有效地降低了 DCT 系数的精度。这是 JPEG 压缩的有损性质发挥作用的地方，因为一些图像信息被丢弃了。量化程度由 DQT 段中指定的量化表确定，并且可以调整它以平衡图像质量和文件大小。
JPEG 压缩过程中的最后一步是熵编码，这是一种无损压缩形式。JPEG 中使用最常见的方法是霍夫曼编码，它为更频繁的值分配较短的代码，为较不频繁的值分配较长的代码。这减少了图像数据的整体大小，而不会进一步丢失信息。
除了标准的 JPEG 压缩技术外，JPS 格式还可能包含与图像的立体性质相关的特定元数据。此元数据可以包括有关视差设置、会聚点以及正确显示 3D 效果所需的任何其他数据的信息。此元数据通常存储在文件的 APP 段中。
JPS 格式受各种软件应用程序和设备支持，包括 3D 电视、VR 头显和专业照片查看器。但是，它不像标准 JPEG 格式那样得到广泛支持，因此用户可能需要使用特定软件或将 JPS 文件转换为另一种格式以获得更广泛的兼容性。
JPS 格式面临的挑战之一是确保左右图像正确对齐并具有正确的视差。对齐不当或视差不正确会导致不舒服的观看体验，并可能导致眼睛疲劳或头痛。因此，摄影师和 3D 艺术家仔细捕捉或创建具有正确立体参数的图像非常重要。
总之，JPS 图像格式是一种专门的文件格式，设计用于存储和显示立体图像。它建立在既定的 JPEG 压缩技术之上，创建了一种紧凑且有效的方式来存储 3D 照片。虽然它提供了独特的观看体验，但该格式需要兼容的硬件或软件才能以 3D 方式查看图像，并且在对齐和视差方面可能存在挑战。尽管存在这些挑战，JPS 格式仍然是摄影师、3D 艺术家和希望以数字格式捕捉和分享世界深度和真实感的爱好者的宝贵工具。
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。