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。
DCX 图像格式指定为扩展名 .dcx，是一种值得注意的图形文件格式，其主要用途是将多个 PCX 格式图像封装在一个文件中。此功能使其特别适用于需要组织、存储和传输图像序列或包含多页的文档的应用程序，例如传真文档、动画图像或多页文档。DCX 格式在个人计算的早期开发，是数字图像管理不断变化的需求的证明，为批量图像处理提供了解决方案。
PCX 格式构成了 DCX 的基础，是软件行业广泛采用的最早的位图图像格式之一，主要由 PC Paintbrush 软件使用。作为一种光栅图像格式，它在文件中对各个像素信息进行编码，支持各种颜色深度，并有效地作为复合 DCX 格式的基础。尽管年代久远，但 PCX（以及扩展的 DCX）由于其简单性和与较旧软件应用程序的兼容性，在某些利基市场中仍然在使用。
DCX 文件的结构本质上是一个头文件，后面跟着一系列 PCX 文件。DCX 文件的头文件部分以一个唯一的标识符（“0x3ADE68B1”）开头，该标识符用作幻数，以自信地区分 DCX 文件和其他文件格式。在幻数之后，有一个目录，其中列出了 DCX 文件中每个封装的 PCX 图像的偏移位置。这种方法可以快速访问各个图像，而无需顺序解析整个文件，从而提高了该格式访问特定内容的效率。
目录部分中的每个条目都包含一个 32 位偏移量，指向 DCX 文件中 PCX 图像的开头。这种目录结构的简单性允许在 DCX 文件中快速添加、删除或替换 PCX 图像，而无需 进行广泛的文件重新处理。它突出了该格式在设计上的前瞻性，能够对多页文档图像或顺序图像集合进行可管理的更新和编辑。
在技术编码方面，封装在 DCX 容器中的 PCX 文件将其图像数据存储为一系列扫描线。这些扫描线使用游程编码 (RLE) 进行压缩，这是一种无损数据压缩形式，可以在不影响原始图像质量的情况下减小文件大小。RLE 对于具有大面积均匀颜色的图像特别有效，使其非常适合通常与 PCX 和 DCX 格式关联的扫描文档图像和简单图形。
PCX 格式在颜色深度方面的灵活性在 DCX 格式的适应性中发挥着重要作用。PCX 文件可以处理单色、16 色、256 色和真彩色（24 位）图像，从而允许 DCX 容器封装各种图像类型。这种多功能性确保了 DCX 格式在归档目的方面的持续相关性，在归档目的方面，保留原始文档或图像的保真度至关重要。
尽管有这些优点，但 DCX 格式面临着其设计和源自的技术时代的固有局限性。首先，该格式本质上不支持高级图像功能，如图层、透明度或元数据，这些功能已成为更现代的图像文件格式的标准。这些限制反映了该格式在更简单的应用程序（例如文档扫描和归档）中的实用性，而不是复杂图像编辑或数字艺术创作。
此外，虽然 PCX 和 DCX 格式采用的游程编码方法对于某些类型的图像很有效，但它可能无法为所有场景提供最优的压缩。JPEG 或 PNG 格式中使用的现代图像压缩算法提供了更复杂的方法，为更广泛的图像实现了更高的压缩比和更小的文件大小的更好质量。然而，RLE 的简单性和 DCX 图像中没有有损压缩伪像确保了它们在不降低质量的情况下保持其原始视觉完整性。
此外，DCX 文件中对 PCX 格式的依赖也意味着继承了与 PCX 相关的限制和挑战。例如，处理现代高分辨率图像或 具有宽色域的图像可能会出现问题，因为颜色深度限制和 RLE 压缩对于复杂图像的效率低下。因此，虽然 DCX 文件擅长高效存储更简单的图像或文档扫描，但它们可能不是高质量摄影或详细图形工作的理想选择。
从软件兼容性的角度来看，DCX 格式得到了各种图像查看和编辑程序的支持，特别是那些设计用于处理传统文件格式或专门用于文档成像的程序。这种互操作性确保了用户可以访问和操作 DCX 文件而不会遇到重大障碍，从而利用现有的软件解决方案。然而，随着数字成像领域的不断发展，更高级和灵活的图像格式的普及对 DCX 的持续采用和支持构成了挑战，可能将其降级为更小众或传统的应用程序。
根据这些考虑，DCX 格式的未来似乎与其利基应用密切相关，在这些应用中，其特定优势（例如将多页文档图像有效存储在一个文件中以及通过无损压缩保留原始图像质量）超过了其局限性。优先考虑这些因素的行业和应用程序，例如法律文件归档、历史文件保存和某些类型的技术文档，可能会继续在 DCX 格式中找到价值。
此外，DCX 格式在保存数字遗产和历史文件中的作用不容小觑。在维护原始文件的真实性和完整性至关重要的背景下，DCX 格式的简单性和可靠性可能比需要现代计算资源的更复杂格式具有优势。该格式强调无损压缩和对各种颜色深度的支持，确保数字复制品与原始文件紧密匹配，这是归档目的的基本考虑因素。
鉴于这些优势和劣势，DCX 格式在当代数字成像中的相关性取决于其在特定用例中的持续实用性，而不是广泛的主流采用。虽然它可能无法在所有场景中与现代图像格式在功能或效率方面竞争，但 DCX 在数字成像生态系统中占据着利基但重要的地位，特别是在其独特功能最受重视的传统系 统和特定行业中。
总之，DCX 图像格式体现了在管理多页图像文档或序列时简单性、效率和功能之间的平衡。它对古老的 PCX 格式的依赖将其建立在早期数字图像管理的遗产之上，同时也勾勒出其能力和局限性。尽管面临着更高级和多功能图像格式的挑战，但 DCX 在其属性（例如无损压缩、对多个图像的有效处理以及与较旧软件的兼容性）与用户和行业的实际需求相一致的特定应用程序中仍然具有相关性。
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。