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。
DXT1 压缩格式是 DirectX 纹理（DirectXTex）系列的一部分，它代表了图像压缩技术的一次重大飞跃，专为计算机图形而设计。它是一种有损压缩技术，在图像质量和存储需求之间取得平衡，使其非常适合实时 3D 应用程序（例如游戏），其中磁盘空间和带宽都是宝贵的资源。从本质上讲，DXT1 格式将纹理数据压缩到其原始大小的一小部分，而无需实时解压缩，从而减少了内存使用量并提高了性能。
DXT1 针对像素块而不是单个像素本身进行操作。具体来说，它处理 4x4 像素块，将每个块压缩到 64 位。这种基于块的压缩方法使 DXT1 能够显著减少表示图像所需的数据量。DXT1 中压缩的本质在于它能够在每个块内找到颜色表示的平衡，从而在实现高压缩比的同时尽可能多地保留细节。
DXT1 的压缩过程可以分解为几个步骤。首先，它识别块内最能代表块的整体颜色范围的两种颜色。这些颜色是根据它们包含块内颜色可变性的能力选择的，它们存储为两种 16 位 RGB 颜色。尽管与原始图像数据相比位深度较低，但此步骤确保保留最关键的颜色信息。
在确定两种原色后，DXT1 使用它们生成两种附加颜色，总共创建四种颜色来表示整个块。这些附加颜色是通过线性插值计算的，这是一个以不同比例混合两种原色的过程。具体来说，第三种颜色是通过将两种原色等量混合而生成的，而第四种颜色要么是偏向第一种颜色的混合，要么是纯黑色， 具体取决于纹理的透明度要求。
确定四种颜色后，下一步涉及将原始 4x4 块中的每个像素映射到四种生成颜色中最接近的颜色。此映射通过简单的最近邻算法完成，该算法计算原始像素颜色与四种代表颜色的距离，将像素分配给最接近的匹配项。此过程有效地将块的原始颜色空间量化为四种不同的颜色，这是实现 DXT1 压缩的关键因素。
DXT1 压缩过程的最后一步是对颜色映射信息以及为块选择的两种原始颜色进行编码。两种原始颜色直接存储在压缩块数据中，作为 16 位值。同时，将每个像素映射到四种颜色之一编码为一系列 2 位索引，每个索引指向四种颜色之一。这些索引被打包在一起，并包含 64 位块的剩余位。因此，生成的压缩块既包含颜色信息，也包含在解压缩期间重建块外观所需的映射。
DXT1 中的解压缩被设计为一个简单而快速的过程，使其非常适合实时应用程序。解压缩算法的简单性允许它由现代显卡中的硬件执行，进一步降低了 CPU 的负载，并有助于 DXT1 压缩纹理的性能效率。在解压缩期间，从块数据中检索两种原始颜色，并与 2 位索引一起用于重建块中每个像素的颜色。如有必要，再次采用线性插值方法来导出中间颜色。
DXT1 的优点之一是它显着减少了文件大小，与未压缩的 24 位 RGB 纹理相比，它可以达到 8:1。这种减少不仅节省了磁盘空间，还减少了加载时间，并增加了在给定内存预算内纹理多样性的可能性。此外，DXT1 的性能优势不仅限于存储和带宽节省；通过减少需要处理和传输到 GPU 的数据量，它还有助于提高渲染速度，使其成为游戏和其他图形密集型应用程序的理想格式。
尽管有这些优点，DXT1 并非没有局限性。最显着的是可见伪影的可能性，尤其是在颜色对比度高或细节复杂的 纹理中。这些伪影是由量化过程和每个块限制为四种颜色的限制造成的，这可能无法准确表示原始图像的全部颜色范围。此外，为每个块选择两种代表颜色的要求可能导致色带问题，其中颜色之间的过渡变得明显突然且不自然。
此外，DXT1 格式对透明度的处理增加了另一层复杂性。DXT1 支持 1 位 alpha 透明度，这意味着像素可以完全透明或完全不透明。这种二进制透明度方法是通过选择一种生成的颜色来表示透明度来实现的，通常是第四种颜色，如果前两种颜色被选择为它们的数字顺序相反。虽然这允许纹理中有一定程度的透明度，但它非常有限，并且可能导致透明区域周围出现粗糙的边缘，使其不太适合详细的透明度效果。
使用 DXT1 压缩纹理的开发人员经常采用各种技术来减轻这些限制。例如，仔细的纹理设计和使用抖动可以帮助减少压缩伪影和色带的可见性。此外，在处理透明度时，开发人员可以选择使用单独的纹理贴图来处理透明度数据，或者选择提供更细致的透明度处理的其他 DXT 格式，例如 DXT3 或 DXT5，用于透明度质量至关重要的纹理。
DXT1 及其包含在 DirectX API 中的广泛采用凸显了其在实时图形领域的重要性。它在质量和性能之间保持平衡的能力使其成为游戏行业的主流，在游戏行业中，资源的有效利用通常是一个关键问题。除了游戏之外，DXT1 还可以在需要实时渲染的各个领域中找到应用，例如虚拟现实、模拟和 3D 可视化，这突出了其作为压缩格式的多功能性和有效性。
随着技术的进步，纹理压缩技术的演变仍在继续，更新的格式旨在解决 DXT1 的局限性，同时建立在其优势之上。硬件和软件的进步导致了压缩格式的发展，这些格式提供了更高的质量、更好的透明度支持和更有效的压缩算法。然 而，DXT1 作为纹理压缩中开创性格式的遗产仍然是无可争议的。它的设计原则以及它在质量、性能和存储效率之间体现的权衡继续影响着未来压缩技术的发展。
总之，DXT1 图像格式代表了纹理压缩领域的重大发展，在图像质量和内存使用之间取得了有效的平衡。虽然它有其局限性，特别是在色彩保真度和透明度处理方面，但它在存储和性能方面的优势不容忽视。对于速度和效率至上的应用程序，DXT1 仍然是一个引人注目的选择。随着计算机图形领域的进步，从 DXT1 的设计和应用中吸取的教训无疑将继续为图像压缩领域的未来创新提供信息和启发。
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。