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。
K 图像格式是一种相对较新且创新的数字图像格式，旨在在高质量图像表示和高效压缩之间取得平衡。与 JPEG、PNG 或 GIF 等更常见的格式不同，K 图像格式经过精心设计，可提供卓越的压缩算法，显著减小文件大小，而不会明显损失图像质量。这在高分辨率数码摄影时代以及通过互联网高效存储和传输图像的时代尤为重要。
从本质上讲，K 图像格式利用了一种称为“Kompact 压缩”的复杂压缩技术。该技术同时采用有损和无损压缩方法来实现其目标。有损压缩通过丢弃图像中不太重要的信息来实现，而人眼不太可能注意到这些信息。另一方面，K 格式的无损压缩方面确保保留基本数据，从而可以在不丢失关键视觉信息的情况下重建图像。
K 图像格式的一个关键特性是其自适应调色板优化。此特性分析图像中的颜色，并减少用于表示图像的颜色数量，而不会影响感知质量。通过这样做，K 格式可以显著减少存储颜色信息所需的数据量。这对于具有大面积相似颜色或渐变的图像特别有效，其中完整的 24 位颜色表示将不必要地占用大量数据。
K 图像格式的另一个重要方面是对高动态范围 (HDR) 成像的支持。与传统的数字成像技术相比，HDR 图像可以表示更宽的亮度范围，从而更真实地再现真实场景中的强度水平。K 格式通过一种专门的编码方法处理 HDR，该方法可以有效压缩扩展的亮度数据，从而获得更丰富、更详细的图像，尤其是在光照条件 对比的场景中。
K 图像格式还包含高级功能，例如渐进解码和渲染。这意味着图像最初可以以较低质量显示，然后随着接收或处理更多数据而逐渐增强到全质量。这对于需要快速显示图像的 Web 应用程序特别有用，即使尚未下载完整数据也是如此。用户几乎可以立即预览图像，随着时间的推移，质量会不断提高，从而增强了慢速连接上的用户体验。
错误恢复能力是 K 图像格式的另一个重要特性。它旨在对数据损坏具有鲁棒性，而数据损坏可能发生在文件传输或存储期间。该格式包括错误检测和纠正机制，可以从某些类型的数据损坏中恢复，确保即使某些数据已损坏，图像仍然可以查看。这使得 K 格式特别适用于无法保证数据完整性的环境，例如移动网络或不可靠的互联网连接。
K 图像格式还支持广泛的色彩空间，包括 sRGB、Adobe RGB 和 ProPhoto RGB，既满足消费级应用程序，也满足专业成像要求。这种灵活性允许摄影师和图形设计师在他们首选的色彩空间中工作，而无需担心在 K 格式中保存和共享他们的作品时的色彩保真度。
透明度是 Web 设计师和图形艺术家至关重要的特性，而 K 图像格式为 Alpha 通道提供了强大的支持。这允许创建具有不同透明度级别的图像，这些图像可以叠加在不同的背景上，而无需单独的蒙版或其他编辑。Alpha 通道数据也经过有效压缩，确保添加透明度不会导致文件大小不成比例地增加。
元数据支持是 K 图像格式另一个出色的领域。它允许在图像文件中嵌入广泛的元数据，包括来自数码相机的 EXIF 数据、用于图像分类的 IPTC 信息，甚至用于特定应用程序用例的自定义元数据。这些元数据以结构化和压缩的形式存储，使其可以访问而不会显著增加文件大小。
K 图像格式设计为具有 多分辨率支持，这意味着单个文件可以包含同一图像的多个分辨率。这对于响应式 Web 设计特别有用，其中具有不同屏幕尺寸和分辨率的不同设备需要不同的图像尺寸。K 格式可以将它们全部存储在一个文件中，而不是为每个分辨率存储多个文件，并根据需要提取和显示适当的分辨率。
在文件结构方面，K 图像格式由一个头文件、一个数据部分和一个可选的元数据部分组成。头文件包含有关图像的信息，例如其尺寸、色彩空间和压缩设置。数据部分包含实际压缩的图像数据，元数据部分（如果存在）包含有关图像的其他信息。该格式被设计为可扩展的，允许添加未来的增强和功能，而不会破坏与现有 K 格式图像的兼容性。
K 图像格式中使用的压缩算法被设计为高度并行化，这意味着它们可以利用多核处理器和专门的硬件加速。这可以缩短压缩和解压缩时间，使 K 格式适用于实时应用程序，例如直播或视频会议，其中快速编码和解码图像至关重要。
在 K 图像格式的设计中也考虑了安全性和隐私性。该格式支持图像数据的加密，允许安全传输和存储敏感图像。这对于医疗保健等行业尤为重要，其中需要保护患者图像，或者对于处理机密图像的任何应用程序。
K 图像格式还设计为向后兼容现有的图像格式。它包括一个后备机制，允许不支持 K 格式的较旧系统以更常见的格式（例如 JPEG 或 PNG）显示图像。这确保了以 K 格式保存的图像仍然可以在尚未采用新格式的系统上查看，从而简化了过渡并鼓励更广泛的采用。
总之，K 图像格式代表了数字图像技术向前迈出的重要一步。其先进的压缩技术、对 HDR 的支持、渐进渲染、错误恢复能力以及许多其他特性使其成为图像格式领域的有力竞争者。随着对高质量数字图像的需求持续增长，K 图像格式已做好充分准备，可以满足专业和普通用户的需求，为图像存储和传输提供高效且通用的解决方案。
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。