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。
Silicon Graphics 图像 (SGI) 文件格式，也称为 RGB 文件格式，是一种光栅图形文件格式，最初由 Silicon Graphics, Inc. (SGI) 开发。它被广泛用于以压缩格式存储高质量图形，使其在 20 世纪 80 年代和 90 年代广受欢迎，尤其是在 3D 动画和科学可视化等领域。SGI 图像格式的特点是通用性强，支持各种数据类型，包括灰度、索引颜色和真彩色，并带有或不带有用于透明度的 Alpha 通道。
从本质上讲，SGI 图像格式旨在有效处理高分辨率图像。它结合了游程长度编码 (RLE) 压缩和直接的文件结构，以在图像质量和文件大小之间取得平衡。这使其特别适用于视觉数据完整性和存储效率都至关重要的应用程序。尽管在网络使用方面被 PNG 和 JPEG 等较新的格式略微掩盖，但 SGI 格式仍然在专业和艺术环境中得到应用，其稳健性和保真度受到高度重视。
SGI 图像的文件结构包括一个头文件，后跟可选的颜色映射数据，然后是图像数据本身。头文件长度为 512 字节，包含关键信息，包括魔术数字（将文件标识为 SGI 图像文件）、存储格式（图像数据是游程长度编码还是逐字）、维度数（对于 RGB 图像通常为 3）、x 维度、y 维度、z 维度（颜色通道数）以及像素最小值和最大值。嵌入在头文件中的这些丰富元数据允许对图像数据进行广泛的灵活性和控制。
在头文件之后，SGI 图像文件可能包含一个颜色映射，它是可选的，通常不用于真彩色图像。颜色映射专为 索引颜色图像设计，其中每个像素的值都是颜色映射中颜色的指针，允许使用减少的颜色调色板表示复杂图像。这可以在不损失感知图像质量的情况下显著减小文件大小，使其非常适合某些图形应用程序。
SGI 文件中的图像数据可以存储为两种格式之一：未压缩（逐字）或使用 RLE 压缩。在未压缩格式中，像素存储为直接颜色值，这可能导致文件大小较大，但允许快速访问和操作图像数据。相比之下，RLE 压缩试图通过使用单个值和计数对相同像素的序列进行编码来减小文件大小，而不是单独存储每个像素。这可以实现显着的压缩比，尤其是在具有大面积均匀颜色的图像中，但由于需要解压缩数据，可能会在图像处理中引入开销。
为了管理可以表示的内容的多样性，SGI 图像支持多个颜色通道，通常从灰度（1 个通道）到 RGB（3 个通道）和 RGBA（4 个通道，包括透明度）。每个通道单独存储，对于 RLE 压缩文件，每个通道独立压缩。这种方法允许有效存储复杂图像，并在图像处理和操作中提供灵活性，因为可以单独访问和修改通道。
SGI 图像格式的一个显着特点是对深色深度的支持，允许每个通道超过传统的 8 位。此功能支持具有扩展动态范围和颜色保真度的图像，这在数字电影等专业领域特别有益，在这些领域中，捕获和再现细微的颜色渐变至关重要。但是，较高的颜色深度会导致文件大小较大，必须根据存储和带宽考虑因素进行权衡。
SGI 图像格式虽然在历史上具有重要意义且技术上稳健，但在当代数字领域确实面临着局限性。它在现代成像软件和网络平台上缺乏广泛的支持，可能会给用户带来挑战。此外，RLE 压缩技术虽然有效，但不如 JPEG 的有损压缩或 PNG 的无损压缩等更现代的编解码器有效。因此，SGI 文件可能更大，不太适合用于对带宽敏感的应用程序，例如在线内容交付。
尽管存在这些挑战，SGI 图像格式在特定用例中仍然是一项宝贵的资产。它处理高分辨率和深色深度图像的能力使其成为专业环境中的首选，在这些环境中，这些属性至关重要。此外，其文件结构的简单性便于使用自定义工具和脚本进行操作，这在科学可视化等专门的工作流程中特别有利，在这些工作流程中，定制数据表示和分析很常见。
在技术开发方面，使用 SGI 图像文件需要细致地了解其结构和编码方案。希望将 SGI 图像支持纳入其应用程序的程序员和开发人员必须善于解析文件头以准确解释元数据，以及实现或利用现有的 RLE 压缩和解压缩算法。此外，鉴于该格式在维度和颜色通道方面的灵活性，应用程序必须具有动态适应性才能处理各种图像类型。
此外，将 SGI 图像转换为更现代的格式以实现更广泛的兼容性需要仔细考虑固有的权衡。例如，将 SGI 图像转换为颜色深度较低或压缩算法更激进的格式可能会导致细节丢失或伪影。因此，开发人员必须实施转换例程以最大程度地减少质量下降，尤其是在处理用于专业用途的图像时，保真度至关重要。
SGI 图像格式的历史重要性不容低估。它是在数字成像蓬勃发展的时期开发的，在计算机图形的发展中发挥了关键作用，促进了在计算资源严重受限的时代创建和操作高保真图像。SGI 格式的遗产体现在它所建立的基本原理中，其中许多原理继续影响着现代图像处理技术和格式。
展望未来，虽然 SGI 图像格式可能无法恢复其昔日的显赫地位，但其效率和灵活性的原则仍在继续引起共鸣。当前和未来的图像格式可以从 SGI 如何平衡图像质量和文件大小、管理颜色深度以及支持透明度中吸取教 训。随着数字成像技术的进步，对通用、高质量图像格式的重视始终如一，这凸显了 SGI 格式对计算机图形领域产生的持久影响。
总之，SGI 图像格式对图像质量、文件大小和处理效率之间的平衡进行了引人入胜的研究。尽管在现代使用和支持方面面临挑战，但其设计原则——尤其是对高分辨率、深色深度图像的支持以及简单而灵活的文件结构——为当前和未来的图像格式提供了宝贵的经验教训。随着数字成像的不断发展，理解和欣赏 SGI 等格式的技术复杂性和历史意义对于该领域的专业人士至关重要，它提供了有关如何在不断变化的技术环境中最好地管理、操作和保存数字图像的见解。
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。