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。
PNG48图像格式是众所周知且广泛使用的便携式网络图形（PNG）格式的扩展。PNG48作为一种改进其前身局限性的手段而开发，专门解决数字图像中对更高色彩深度的需求。从本质上讲，“48”指的是位深度，表示PNG48图像的每个像素包含48位颜色信息。这是对标准24位PNG的重大飞跃，有效地将颜色精度提高了一倍，并提供了更丰富、更详细的视觉体验。
了解PNG48的架构需要深入了解其色彩深度以及它如何处理图像数据。在PNG48文件中，每个像素由48位表示，分为三个分量：红色、绿色和蓝色（RGB）。与标准PNG文件中的每个通道8位相比，这些分量中的每一个都有16位深度。这种更高的位深度分别允许有65,536种红色、绿色和蓝色阴影，最终形成一个超过281万亿种颜色的理论调色板。这种广阔的光谱特别有利于高端图形应用程序、摄影和数字艺术，其中色彩准确性和渐变至关重要。
压缩是PNG格式的一个关键方面，PNG48也不例外。PNG使用称为DEFLATE的无损压缩方法。此算法通过查找并消除图像数据中的冗余来工作，有效地减小文件大小，而不会牺牲任何细节或质量。PNG48文件面临的挑战是由于颜色信息增加而导致的固有尺寸更大。尽管如此，DEFLATE算法设法保持高效的压缩率，确保在尽可能的范围内减轻文件大小的增加，同时保留高保真色彩信息。
透明度是PNG格式的另一个标志性特征，在PNG48中，它以类似的优雅方式处理。PNG48支持全alpha透明度，允许每个像素都有一个附加分量来指定其不透明度。然而，在纯PNG48文件中，透明度并未直接包含在48位定义中。相反，为了合并透明度，使用了称为PNG64的格式扩展，其中额外的16位专用于alpha通道。这使图像能够具有不同程度的透视质量，从完全透明到完全不透明，从而增强了该格式在图形设计和Web开发中的实用性。
PNG48格式本质上比其PNG24前身更复杂，对硬件和软件的要求更高。更高的色彩深度需要更高的处理能力和内存，用于查看和编辑。软件兼容性也是一个需要考虑的因素，因为并非所有图像查看器和编辑器都支持48位色彩深度。然而，大多数专业级软件都已更新以适应这些更高质量的图像，认识到它们为视觉内容创作者带来的价值。
PNG48格式的一个关键优势是它适用于需要高保真视觉表示的各个领域。在数码摄影中，扩展的色彩深度意味着阴影和高光中的细微差别得到了更好的保留，从而减少了在较低色彩深度下渐变中经常看到的条带效应。对于平面设计师和数字艺术家来说，该格式提供了使用更广泛的色谱进行工作的可能性，从而产生更生动、更逼真的作品。
尽管有这些优点，但PNG48格式并不是普遍理想的。尽管进行了无损压缩，但文件大小的增加使其不太适合在Web上使用，在Web上加载时间和带宽使用是关键考虑因素。因此，虽然PNG48非常适合存档、数字艺术和专业摄影，但由于文件大小较小且加载时间较快，标准PNG甚至JPEG可能更适合在线内容。
PNG48格式的另一个重要特征是它支持伽马校正。这确保了图像在不同的显示设备上更一致地显示。伽马校正根据输出设备（例如计算机显示器或移动屏幕）的特性调整图像的亮度和对比度。通过支持此功能，PNG48图像可以提供更统一 的视觉体验，这对于经常在各种平台上查看的数字媒体至关重要。
对于有兴趣使用PNG48的创作者和开发人员来说，了解技术规范和软件要求至关重要。Adobe Photoshop、GIMP等图像编辑软件已经实现了对高位深度图像的支持，允许编辑PNG48文件。然而，更高的精度还要求用户很好地理解色彩管理实践，以确保尽可能最好的输出。此外，使用Web应用程序的开发人员必须为不支持高位深度PNG文件的浏览器实现后备选项，以确保广泛的可访问性。
优化和转换工具在PNG48文件的实际使用中也发挥着重要作用。鉴于它们的大小，针对特定用例优化这些文件至关重要。有各种软件工具和库可用于进一步压缩PNG48文件，而不会影响其质量。此外，转换工具允许在必要时将PNG48文件缩小到更广泛兼容的格式，从而灵活地使用和共享这些高质量图像。
总之，PNG48图像格式代表了数字图像技术的一项重大进步，提供了无与伦比的色彩深度和视觉保真度。虽然它带来了一系列挑战，包括更大的文件大小和更高的计算要求，但图像质量方面的优势是不可否认的。随着技术的不断进步，对更高位深度的支持变得更加普遍，我们很可能会看到PNG48和类似格式在专业和高端消费类应用程序中得到更广泛的采用，进一步突破数字图像的界限。
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。