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。
可缩放矢量图形 (SVG) 是一种广泛使用的标记语言，用于在 XML 中描述二维图形。与 JPEG、PNG 或 GIF 等存储图像为单个像素集合的栅格图形格式不同，SVG 通过数学公式定义形状、线条和颜色。这种根本差异使 SVG 文件可以缩放至任何尺寸而不会损失质量，使其非常适合响应式 Web 设计、复杂的插图和需要在各种设备和分辨率上保持清晰度的徽标。
SVG 图形由矢量形状（如圆形、矩形、多边形和路径）组成，这些形状由二维空间中的点描述，以及使用 SVG 标记语言定义的笔触、填充和其他视觉属性。SVG 文件中的每个元素和属性都直接对应于 SVG 渲染模型的一部分，从而能够精细地控制图形的外观。SVG 文件可以用任何文本编辑器创建和编辑，因为它们是纯文本文件，并且还可以使用各种软件库以编程方式生成和操作它们。
SVG 的一个关键特性是其 DOM 接口。SVG 图像可以直接嵌入到 HTML 文档中，并且由于它们成为文档对象模型 (DOM) 的一部分，因此可以像 HTML 元素一样与它们进行交互。这种集成允许通过 JavaScript 和 CSS 动态更改 SVG 图像的属性，从而实现动画、交互性和图形的实时更新。例如，SVG 元素的颜色、大小或位置可以根据用户交互（例如鼠标移动或点击）或图形所表示数据的变化而改变。
SVG 支持广泛的图形效果，包括渐变、图案、剪切路径和蒙版，这些效果提供了创建复杂视觉演示的广泛选项。SVG 还包括滤镜效果，例如模糊 、颜色操作和阴影，这些效果的定义方式类似于 CSS 滤镜，但专门设计用于矢量图形。这些效果允许开发人员和设计人员直接在 SVG 标记中应用复杂的视觉增强，从而可以在不诉诸栅格图像的情况下实现详细的插图和纹理效果。
交互性和动画是 SVG 最引人注目的用途之一。使用 <animate>、<set> 和 <animateTransform> 元素，SVG 提供了一个声明性语法，用于随着时间的推移对图形的属性和特性进行动画处理。此外，SVG 与 JavaScript 的集成扩展了其动画功能，从而能够实现更复杂和交互性的动画，这些动画对用户输入或其他动态事件做出反应。这种功能的结合允许创建引人入胜的 Web 应用程序、数据可视化和交互式信息图表，这些应用程序和图表可以利用 Web 技术的全部功能。
可访问性是 SVG 的另一个重要优势。SVG 图像中的文本是可选择和可搜索的，这与文本被展平的栅格图像形成对比。此功能不仅通过允许文本选择来改善用户体验，还增强了文档的可访问性，因为屏幕阅读器可以解释和朗读 SVG 图形中包含的文本。此外，SVG 支持元素的语义分组和描述性标签，这有助于向辅助技术传达图形的结构和目的。
优化和压缩对于 Web 性能至关重要，而 SVG 文件在这一领域提供了几个优势。由于基于文本，SVG 图形可以使用 GZIP 进行大量压缩，这可以极大地减小其文件大小，从而加快加载时间。此外，由于 SVG 是基于矢量的，因此它通常比高分辨率栅格图像需要的存储空间更少，特别是对于简单的图形或图标。但是，XML 的冗长性和过度复杂或编码效率低下的图形的可能性会导致 SVG 文件比必要的大。因此，SVGO（SVG 优化器）等工具通常用于清理和优化 SVG 文件，删除不必要的数据和格式，以使文件尽可能紧凑。
SVG 在响应 式 Web 设计中也扮演着至关重要的角色。鉴于其可扩展性，SVG 图形可以轻松适应不同的屏幕尺寸、分辨率和方向，而不会出现质量损失或像素化问题。设计人员可以通过属性和 CSS 控制 SVG 图像的响应性，确保图形在所有设备上看起来清晰明了，从台式机显示器到智能手机。这种固有的可扩展性使 SVG 成为徽标、图标和其他需要在各种显示环境中保持视觉完整性的图形的绝佳选择。
尽管有许多优点，但 SVG 并非没有挑战和限制。例如，虽然 SVG 擅长表示形状、线条和文本等图形元素，但它不适合具有数千种颜色和渐变的复杂图像，例如照片。在这些情况下，JPEG 或 PNG 等栅格格式更合适。此外，SVG 在处理极其复杂或包含大量元素的图形时，其性能可能会受到影响，因为每个元素都必须渲染，并且可能需要对其进行动画处理或与之交互。
此外，跨浏览器兼容性历来是 SVG 面临的挑战。虽然现代 Web 浏览器已经改进了对 SVG 的支持，但不同浏览器在解释和显示 SVG 内容的方式上仍然可能存在差异。开发人员可能需要实施解决方法或后备方案，以确保其图形在所有平台上都能正确显示。辅助功能虽然强大，但需要仔细实施才能充分受益于 SVG 的功能，包括为辅助技术正确标记和构建图形。
SVG 与其他 Web 标准的集成为 Web 设计师和开发人员开辟了广泛的可能性。SVG 可以使用 CSS 进行样式化，使设计人员能够将熟悉的样式属性应用于矢量图形。它可以通过 JavaScript 进行操作，从而实现动态更改和交互。此外，由于 SVG 基于 XML，因此它可以与其他 XML 技术和数据格式（例如 RSS 源或 XML 数据库）结合使用。这种集成使 SVG 成为数据可视化的强大工具，能够生成动态的、数据驱动的图形，并实时更新。
展望未来，SVG 在 Web 开发中 的作用可能会继续增长。Web 技术的进步和对高质量、交互式和响应式图形的需求不断增长，将推动 SVG 使用的进一步采用和创新。可能会开发新的特性和功能，例如改进的动画语法、更好的辅助功能和增强的性能优化，使 SVG 成为现代 Web 设计中更重要的元素。
总之，SVG 为在 Web 上创建和操作可缩放矢量图形提供了一组丰富的功能。它在不损失质量的情况下进行缩放的能力，加上对交互性、动画和可访问性的支持，使其成为设计人员和开发人员的多功能工具。尽管存在一些挑战，例如跨浏览器兼容性和性能考虑，但 SVG 在可扩展性、响应性和与 Web 技术集成方面的优势使其成为创建动态且视觉上吸引人的在线体验的宝贵资产。
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。