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。
数字图像交换（DPX）格式是一种图像文件格式，专门设计用于在电影和电视行业的不同设备和应用程序之间传输静止帧和序列。DPX 格式源自柯达的 Cineon（.cin）文件格式，旨在标准化数字中间（DI）系统、视觉效果（VFX）应用程序和色彩分级工具之间胶片图像及其元数据的交换。美国电影电视工程师协会（SMPTE）根据 SMPTE 268M 标准化了 DPX 格式，确保了全面的兼容性和在行业中的广泛接受。
DPX 文件是大型未压缩的位图图像，以直接的方式存储图像数据，从而可以获得专业电影和电视制作所需的优质高分辨率图像。它们能够以各种分辨率、宽高比和色彩深度存储图像数据，这使得它们具有难以置信的多功能性。通常，DPX 文件使用 10 位对数或 16 位线性色彩深度，以适应专业视频和电影工作流程中所需的高动态范围。此功能确保 DPX 文件可以表示从最暗阴影到最亮高光的大范围亮度，而不会丢失数据。
DPX 格式的一个关键特性是对大量元数据的支持。此元数据可以包括有关电影或视频源的信息，例如电影类型、制作详细信息、摄像机规格和帧的时间码。此外，它还可以携带色彩管理信息，包括色彩基色、传输特性和色彩测量数据。这些丰富的元数据对于确保图像在各种设备和应用程序中准确处理和再现至关重要，在整个后期制作过程中保持色彩分级和效果应用的一致性。
DPX 文件头在存储元数据和指导应用程序如何正确 解释图像数据方面起着至关重要的作用。该头分为几个部分，包括文件信息、图像信息、方向信息、胶片信息和电视信息，每个部分都包含特定的元数据类型。例如，文件信息部分包含一般数据，如 DPX 格式的版本号和文件大小，而图像信息部分则详细说明图像的分辨率、宽高比和颜色信息。
在技术细节方面，DPX 文件可以保存在大端或小端字节顺序中，使其适应不同的计算环境。DPX 格式的一个显着特点是能够在一个文件中存储多个图像，从而便于表示立体（3D）内容或用于动画和效果工作的图像序列。此功能强调了该格式在复杂制作工作流程中的灵活性设计，实现了内容的无缝集成和交换。
DPX 格式支持各种色彩模型，包括 RGB、CIE XYZ 和 YCbCr，从而与广泛的输入和输出设备兼容。对于 RGB 图像，每个通道（红色、绿色和蓝色）通常单独存储，并且支持额外的 Alpha 通道以获取透明度信息，这对于视觉效果中的合成至关重要。这种色彩表示的灵活性确保了 DPX 文件几乎可以用于任何数字成像过程中，从初始捕获到最终交付。
压缩不是 DPX 格式的核心特性，因为它旨在为专业用途保留最大的图像保真度和细节。然而，为了管理由此产生的巨大文件大小，尤其是在处理高分辨率或多图像文件时，使用 DPX 的应用程序通常会实现自己的文件处理和存储解决方案。这些解决方案可能包括大容量、高速存储系统和高效的文件传输协议，以有效地处理与 DPX 文件相关的大量数据。
DPX 文件通常在线性色彩空间中使用，这意味着存储的值表示线性光照水平。在线性色彩空间中工作允许对光和颜色进行更准确的计算和操作，这对于实现逼真的效果和高质量的图像合成至关重要。尽管如此，对对数色彩空间的支持也迎合了依赖胶片响应曲线的流程，在处理不同类型的源材料和美学选择时提供了多功能性。
版本控制和修订处理在协作环境中至关重要，虽然 DPX 格式本身并不直接支持文件结构中的版本控制，但标题中的元数据字段可用于跟踪版本信息、场景编号和拍摄编号。这种方法允许团队在整个制作流程中组织、管理和检索图像或序列的特定版本，从而提高效率并降低错误或覆盖的可能性。
除了其技术规范之外，DPX 格式的重要性还在于它在传统电影制作和数字后期制作过程之间架起桥梁。通过提供一种可靠的、标准化的图像交换格式，DPX 促进了电影制作过程中模拟和数字元素的无缝集成。这种集成对于保留电影制作人的艺术意图至关重要，同时利用数字后期制作技术的创造性和技术优势。
DPX 格式在行业标准软件和硬件中的改编和使用突显了其重要性。主要的数字中间系统、视觉效果软件和色彩分级工具都支持 DPX 格式，从而在制作的不同阶段实现顺畅的工作流程。处理 DPX 文件的能力被认为是电影和电视行业专业级软件的基本要求，这充分说明了该格式的广泛影响力。
尽管有其优势，但 DPX 格式也面临挑战，特别是与大文件大小以及有效管理这些文件所需的巨大存储和带宽有关。提供具有压缩选项的高质量成像的新图像格式和编解码器的出现带来了竞争格局。然而，DPX 格式对无损图像质量的强调，加上对大量元数据的支持和行业标准的采用，使其仍然成为高端制作工作流程的首选。
展望未来，DPX 格式将继续发展，更新和修订旨在满足行业不断变化的需求。这些更新确保了它与更新的技术和工作流程保持兼容，同时保持其高保真度和灵活性的核心特性。随着行业向更高的分辨率、更大的动态范围和更复杂的技术发展，DPX 格式 的适应性和对高级功能的支持将成为其持续相关性的关键。
总之，DPX 图像格式是专业电影和电视制作领域的关键工具。其保留高图像质量、支持大量元数据和跨各种工作流程的适应性设计使其成为不可或缺的资产。DPX 格式体现了艺术愿景和技术进步的交汇，以尊重电影制作工艺和数字后期制作需求的方式促进图像的创建和操作。随着行业的发展，DPX 格式在不同平台和流程中保持高标准的图像保真度和互操作性的作用无疑将继续至关重要。
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。