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。
.AVS 文件格式，Audio Video Standard 的缩写，是一种由 AVID 开发的多媒体容器格式，用于存储数字音频和视频数据。它通常用于专业视频编辑和后期制作工作流程中。.AVS 格式旨在处理高质量、未压缩或轻度压缩的音频和视频内容，使其适用于在整个编辑过程中保持源材料的保真度。
.AVS 格式的一个关键特性是它能够在一个文件中存储多个音频和视频轨道。这允许编辑人员处理项目中的各个元素，例如对话、音效、音乐和各种视频角度或镜头，所有这些都包含在一个容器中。每个轨道都可以有自己的属性，包括采样率、位深度和压缩设置，从而能够灵活地管理不同类型的媒体。
.AVS 格式支持广泛的音频和视频编解码器，确保与各种采集设备和编辑软件兼容。对于音频，它通常使用未压缩的 PCM（脉冲编码调制）或轻度压缩的格式，如 AAC（高级音频编码）或 AVID 专有的 DNxHD 编解码器。这些编解码器保持较高的音频质量，并提供平衡文件大小和性能的选项。.AVS 支持的视频编解码器包括未压缩的 RGB 或 YUV，以及 AVID 的 DNxHD 和 DNxHR 编解码器，它们提供视觉无损压缩，以实现更有效的存储和处理。
除了音频和视频数据之外，.AVS 格式还包含元数据和时间码信息。元数据可以包括剪辑名称、摄像机设置、制作笔记和其他相关信息等详细信息，这些信息有助于组织和管理媒体资产。时间码是视频编辑中的一个关键元素，因为它为同步音 频和视频轨道提供了精确的参考。.AVS 格式支持各种时间码标准，包括 SMPTE（电影电视工程师协会）和 MTC（MIDI 时间码），从而能够与专业编辑工具和工作流程无缝集成。
.AVS 文件的结构由一个头文件和交错的音频和视频数据组成。头文件包含有关文件的基本信息，例如轨道数、它们的属性和内容的总持续时间。音频和视频数据存储在块或数据包中，每个数据包包含特定轨道的一定量数据。这种结构允许在编辑和播放期间高效地读写文件。
.AVS 格式的优点之一是它能够处理大文件大小和高比特率，这对于保持专业视频项目质量至关重要。它支持高达 8K 及以上的分辨率，使其能够适应不断发展的显示技术。此外，该格式对多轨和灵活编解码器选项的支持使编辑人员能够处理各种源材料并适应不同的交付要求。
为了确保流畅的播放和编辑性能，.AVS 文件通常需要强大的硬件和专业软件。AVID Media Composer、Adobe Premiere Pro 和 Final Cut Pro 等专业视频编辑应用程序原生支持 .AVS 格式，允许编辑人员在其工作流程中无缝导入、处理和导出 .AVS 文件。这些应用程序利用该格式的功能，例如多轨和时间码同步，以提供强大的编辑体验。
虽然 .AVS 格式主要用于专业视频制作，但它也在其他行业中得到应用，例如电影、电视和多媒体。它处理高质量音频和视频的能力，以及其灵活性以及与专业工具的兼容性，使其成为需要卓越媒体管理和编辑功能的项目的首选。
总之，.AVS 文件格式是一种功能强大且用途广泛的容器格式，专为专业视频编辑和后期制作工作流程而设计。它对多音频和视频轨道的支持、广泛的编解码器、元数据管理和时间码同步使其成为处理高质量媒体资产的必备工具。凭借其容纳大文件大小、高分辨率和灵活 编解码器选项的能力，.AVS 格式继续成为视频制作行业的标准，使创意专业人士能够提供卓越的成果。
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。