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。
便携式灰度图格式 (PGM) 是一种在图像处理和计算机图形中广泛接受和使用的格式，用于以简单、朴素的格式表示灰度图像。它的重要性不仅在于其简单性，还在于其跨不同计算平台和软件生态系统的灵活性和可移植性。在 PGM 格式的上下文中，灰度图像由各种灰度组成，其中每个像素表示从黑色到白色的强度值。PGM 标准的制定主要面向于以最小的计算开销解析和处理图像的容易性，因此特别适用于快速图像处理任务和教育目的。
PGM 文件的结构很简单，由一个头文件和图像数据组成。头文件本身分为四部分：幻数，它将文件标识为 PGM 并指示它是二进制格式还是 ASCII 格式；图像的尺寸由像素的宽度和高度指定；最大灰度值，它确定每个像素的可能强度值范围；最后是注释，它是可选的，可以包含以提供有关图像的附加信息。幻数“P2”表示 ASCII PGM，而“P5”表示二进制 PGM。这种差异平衡了人类可读性和存储效率。
在头文件之后，图像数据以网格格式概述，对应于头文件中指定的像素尺寸。在 ASCII PGM (P2) 中，每个像素的强度值以纯文本列出，从图像的左上角到右下角排序，并用空格分隔。值范围从 0（表示黑色）到最大灰度值（在头文件中指定）（表示白色）。这种格式的可读性便于轻松编辑和调试，但与二进制对应格式相比，在文件大小和解析速度方面效率较低。
另一方面，二进制 PGM 文件 (P5) 以更紧凑的形式对图像数据进行编码，对强度值使用二进制表示。这种格式显著减小了文件大小，并允许更快的读/写操作，这对于处理大量图像或需要高性能的应用程序非常有利。然而，权衡之处在于二进制文件不可读，需要专门的软件才能查看和编辑。在处理二进制 PGM 时，正确处理二进制数据至关重要，要考虑文件的编码和系统的架构，特别是关于字节序。
PGM 格式的灵活性通过其头文件中的最大灰度值参数得到证明。此值决定了图像的位深度，而位深度又决定了可以表示的灰度强度范围。一个常见的选择是 255，这意味着每个像素可以取 0 到 255 之间的任何值，从而在 8 位图像中允许 256 种不同的灰度。此设置足以满足大多数应用程序；但是，PGM 格式可以通过增加最大灰度值来适应更高的位深度，例如每像素 16 位。此功能支持表示具有更精细强度渐变的图像，适用于高动态范围成像应用程序。
PGM 格式的简单性也扩展到其操作和处理。由于该格式有据可查，并且缺乏在更复杂图像格式中发现的复杂功能，因此编写程序来解析、修改和生成 PGM 图像可以使用基本的编程技能来完成。这种可访问性促进了图像处理中的实验和学习，使 PGM 成为学术环境和业余爱好者中的热门选择。此外，该格式的简单性允许有效地实现用于诸如滤波、边缘检测和对比度调整等任务的算法，这有助于它在研究和实际应用中持续使用。
尽管有其优势，但 PGM 格式也存在局限性。最值得注意的是它缺乏对彩色图像的支持，因为它本质上是为灰度设计的。虽然对于专门处理单色图像的应用程序来说这不是缺点，但对于需要颜色信息的任务，必须转向 Netpbm 格式系列中的同类产品，例如用于彩色图像的便携式像素图格式 (PPM)。此外，PGM 格式的简单性意味着它 不支持现代功能，例如压缩、元数据存储（超出基本注释）或图层，这些功能在 JPEG 或 PNG 等更复杂的格式中可用。对于高分辨率图像，此限制可能导致文件大小更大，并可能限制其在某些应用程序中的使用。
PGM 格式与其他格式的兼容性和易于转换是其显着优势之一。由于它以直接且有据可查的方式对图像数据进行编码，因此将 PGM 图像转换为其他格式（或反之亦然）相对简单。此功能使其成为图像处理管道的一个优秀的中间格式，其中图像可以从各种格式获取，在 PGM 中处理以简化，然后转换为适合分发或存储的最终格式。跨不同编程语言的大量实用程序和库支持这些转换过程，强化了 PGM 格式在多功能和适应性工作流中的作用。
PGM 文件的安全考虑通常围绕解析和处理格式不正确或恶意制作的文件相关的风险。由于其简单性，与更复杂的格式相比，PGM 格式不太容易受到特定漏洞的影响。但是，解析 PGM 文件的应用程序仍然应该实现健壮的错误处理来管理意外输入，例如不正确的头文件信息、超出预期尺寸的数据或超出有效范围的值。确保安全处理 PGM 文件至关重要，尤其是在接受用户提供图像的应用程序中，以防止潜在的安全漏洞。
展望未来，尽管 PGM 格式简单且有限，但它在技术行业的某些细分市场中的持久相关性突出了直接、有据可查的文件格式的价值。它作为教学工具的作用、它适用于快速图像处理任务以及它促进图像格式转换的作用体现了文件格式设计中功能和复杂性之间平衡的重要性。随着技术的进步，无疑会出现具有增强功能、更好的压缩和对新兴成像技术支持的新图像格式。然而，PGM 格式的传统将持续存在，作为未来格式设计的基准，这些格式力求在性能、简单性和可移植性之间实现最佳组 合。
总之，便携式灰度图格式 (PGM) 尽管简单，但在数字成像领域代表了一项宝贵的资产。其设计理念以易用性、可访问性和直接性为中心，确保了它在从教育到软件开发的各个领域的持续相关性。通过实现对灰度图像的有效操作和处理，PGM 格式已巩固了自己在图像处理爱好者和专业人士工具包中的地位。无论是用于其教育价值、它在处理管道中的作用还是它在图像操作中的简单性，PGM 格式仍然证明了设计良好的、简单的文件格式在不断发展的数字技术领域中的持久影响。
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。