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。
灵活图像传输系统 (FITS) 格式是一种开放标准，定义了一种数字文件格式，可用于存储、传输和处理科学和其他图像。FITS 是天文学中最常用的数字文件格式。与为特定类型的图像或设备设计的许多图像格式不同，FITS 被设计为灵活的，允许它在一个文件中存储多种类型的科学数据，包括图像、光谱和表格。这种多功能性使 FITS 不仅是一种图像格式，而且是一种强大的科学数据存储工具。
最初由天文学家和计算机科学家在 20 世纪 70 年代末开发，他们需要一种标准化数据格式来进行数据交换和存储，FITS 被设计为自文档的、与机器无关的，并且可以轻松扩展以适应未来的需求。这些基本原则使 FITS 能够在数十年的技术进步中进行调整，同时保持向后兼容性，确保几十年前存储在 FITS 格式中的数据今天仍然可以访问和理解。
FITS 文件由一个或多个“头数据单元”(HDU) 组成，其中每个 HDU 由一个头和一个数据部分组成。头包含一系列人类可读的 ASCII 文本行，每一行都描述了下一部分中数据的某个方面，例如其格式、大小和其他上下文信息。这种自文档特性是 FITS 格式的一个显着优势，因为它将数据的上下文直接嵌入到数据本身旁边，使 FITS 文件更易于理解和使用。
HDU 的数据部分可以包含各种数据类型，包括数组（例如图像）、表格，甚至更复杂结构。FITS 支持多种数据类型，例如整数和浮点数，具有不同的精度级别。这允 许存储具有高位深的原始观测数据，这对于科学分析和在处理和分析步骤中保持数据的完整性至关重要。
FITS 的一个关键特性是对 N 维数组的支持。虽然二维 (2D) 数组通常用于图像数据，但 FITS 可以容纳任何维度的数组，使其适用于超出简单图像的广泛科学数据。例如，三维 (3D) FITS 文件可能会将一组相关的 2D 图像存储为第三维中的不同平面，或者它可以直接存储体积数据。
FITS 还因其广泛存储元数据的能力而引人注目。每个 HDU 的头都可以包含“关键字”，这些关键字提供了数据的详细描述，包括观测时间和日期、观测仪器规格、数据处理历史等等。这种广泛的元数据功能使 FITS 文件不仅是数据的容器，而且是生成它们的科学观测和过程的全面记录。
FITS 标准包括针对不同类型数据的特定约定和扩展。例如，“二进制表”扩展支持在 FITS 文件中高效存储表数据，包括异构数据类型的行。另一个重要的扩展是“世界坐标系”(WCS)，它提供了一种标准化的方法来定义与天文数据相关的空间（有时是时间）坐标。FITS 头中的 WCS 关键字允许将图像像素精确映射到天体坐标，这对于天文学研究至关重要。
为了确保互操作性和数据完整性，FITS 标准由正式定义管理，并由 FITS 工作组持续更新，该工作组由天文学、计算和数据科学领域的国际专家组成。该标准由国际天文学联合会 (IAU) 监督，确保 FITS 仍然是天文数据的全球标准。
虽然 FITS 被设计为自文档和可扩展的，但它并非没有复杂性。FITS 文件的灵活结构意味着读取或写入 FITS 数据的软件必须能够处理各种格式和数据类型。此外，大量可能的元数据及其使用的复杂约定可能会给 FITS 文件新手带来陡峭的学习曲线。
尽管存在这些挑战，但 FITS 格式的广泛采用 以及跨不同编程语言的大量库和工具的可用性，使得 FITS 数据处理对广泛的受众来说都是可访问的。CFITSIO（用 C 语言编写）和 Astropy（用 Python 语言编写）等库提供了用于读取、写入和处理 FITS 文件的全面功能，进一步促进了该格式在科学计算和研究中的使用。
FITS 的广泛使用以及可用的广泛库和工具培养了一个充满活力的用户和开发人员社区，为 FITS 标准和相关软件的持续改进和更新做出了贡献。这种社区驱动的开发确保了 FITS 仍然与时俱进，并且能够满足科学研究不断变化的需求。
近年来，FITS 格式在高性能计算 (HPC) 和天文学中的大数据分析领域中更具创新性的用途之一。随着望远镜和传感器的功能越来越强大，天文数据量呈爆炸式增长。FITS 已适应这些变化，开发了新的工具和库来有效处理增加的数据量，使其成为主要天文调查数据处理管道中的关键组件。
FITS 格式存储和组织具有丰富元数据的复杂多维数据的能力也使其在天文领域之外找到了应用。医学成像、地球科学甚至数字保存等领域已采用 FITS 来满足各种数据存储需求，受益于其稳健性、灵活性和自文档特性。这种广泛的适用性证明了该格式基本原理的强大功能。
展望未来，FITS 格式的持续演变可能会受到新兴科学学科的需求和数字数据持续爆炸的影响。数据压缩、对复杂数据结构的改进支持，甚至更高级的元数据功能等领域的增强可以进一步扩展 FITS 的实用性。FITS 标准的开放性和可扩展性，加上其强大的治理和充满活力的社区，使其能够很好地应对这些未来的挑战。
总之，灵活图像传输系统 (FITS) 格式代表了科学数据存储的基石，尤其是在天文学领域。FITS 以灵活、自文档和可扩展的原则为核心进行设计，已成功适应了计算机和数据 科学四十多年的进步。它能够存储各种类型的数据，从简单的图像到具有丰富元数据的复杂多维数据集，这使得 FITS 成为科学界独一无二的强大工具。随着技术的不断发展，FITS 格式在用户和开发人员的全球社区的支持下，有望继续成为天文学及其他领域研究和数据管理的关键资产。
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。