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。
图形交换格式 (GIF) 是一种广泛用于互联网的位图图像格式。最初版本称为 GIF87，由 CompuServe 于 1987 年发布，为其文件下载区域提供彩色图像格式。这是为了响应彩色计算机的增加以及对可以在不同软件和硬件平台上使用的标准图像格式的需求。GIF87 格式虽然在 1989 年被 GIF89a 取代，但它奠定了 GIF 的基本原则。其简单性、广泛支持和可移植性使其成为网络图形的持久选择。
GIF 基于 LZW（Lempel-Ziv-Welch）压缩算法，这是其早期流行的一个关键因素。LZW 算法是一种无损数据压缩技术，这意味着它可以减小文件大小，而不会丢失原始图像的任何信息或质量。在互联网速度慢得多且数据节省至关重要的时期，这一点尤其重要。LZW 算法通过将重复的像素序列替换为单个引用来工作，有效地减少了表示图像所需的数据量。
GIF87 格式的一个决定性特征是对索引颜色的支持。与直接为每个像素存储颜色信息的格式不同，GIF87 使用最多 256 种颜色的调色板。GIF87 图像中的每个像素都由一个字节表示，该字节引用调色板中的索引。这种基于调色板的方法是在色彩保真度和文件大小之间的一种折衷。它允许使用相对丰富多彩的图像，同时保持数据大小可控，即使在早期网络基础设施的限制下也是如此。
除了其颜色模型之外，GIF87 格式还包括其他几个重要功能。其中之一是其隔行扫描功能，它允许在慢速连接上逐步加载图像。隔行扫描不会从 上到下加载图像，而是以多次扫描加载图像，每次扫描都比上一次更详细。这意味着观众可以快速获得图像的粗略预览，从而在万维网的早期阶段显著改善用户体验。
GIF87 文件的结构相对简单，包括一个头文件、一个逻辑屏幕描述符、一个全局颜色表、图像数据，最后是一个尾部以指示文件结束。头文件包含签名（“GIF87a”）和版本信息。逻辑屏幕描述符提供有关图像尺寸的详细信息，以及是否使用全局颜色表。全局颜色表本身紧随其后，其中包含图像中使用的颜色的定义。图像数据段包括有关图像开始和大小的信息，然后是 LZW 压缩的像素数据。最后，文件以一个字节的尾部结束，表示文件结束。
GIF87 格式的一个限制是它不支持动画和透明度。这些功能在其后继产品 GIF89a 中引入。然而，即使没有这些功能，GIF87 也在早期网络中广泛用于徽标、图标和简单图形。该格式能够有效压缩图像，同时保持质量，使其非常适合当时的带宽限制。
GIF87 格式设计的另一个方面是其简单性和易于实现。该格式被设计为易于读写，使其对软件开发人员来说很容易访问。这种易用性帮助 GIF 成为网络上图像的标准格式，几乎所有图像编辑软件和网络浏览器都支持它。GIF 的广泛采用可以说为当今网络上常见的丰富的多媒体体验铺平了道路。
尽管有其优势，GIF87 格式也并非没有争议，特别是关于 LZW 压缩算法。LZW 压缩专利权的持有者 Unisys 在 20 世纪 90 年代中期开始执行其专利权。这种执行引起了广泛的批评，并促进了不受专利问题困扰的替代图像格式的发展。这场争论凸显了软件专利及其对网络技术发展的影响的复杂性。最终，该专利到期，缓解了围绕 GIF 格式的法律问题。
GIF87 对网络图形发展的贡献不可低估。它的引 入提供了一种手段，可以在新兴的互联网上轻松共享色彩丰富、紧凑的图像。虽然技术已经进步，新的格式已经出现，但 GIF87 确定的原则仍然影响着图像在网络上的使用方式。例如，在不明显降低质量的情况下强调压缩是现代网络标准的基石。同样，调色板的概念可以在各种形式的新格式中看到，这些格式旨在优化文件大小以适应显示功能。
在其发布后的几十年里，GIF87 已被更高级的格式所取代，这些格式提供了更大的色彩深度、更小的文件大小以及动画和透明度等功能。PNG（便携式网络图形）和 WebP 就是两个这样的例子，它们提供了无损压缩的替代方案，以及对更多颜色和透明度的支持，而没有调色板的限制。尽管如此，GIF（包括 GIF87 和 GIF89a）由于其简单性、广泛支持以及通过动画模因和图形捕捉文化时代精神的独特能力而仍然很流行。
回顾 GIF87 的发展和影响，很明显，它的遗产不仅在于技术规范或它引发的争议，还在于它如何帮助塑造互联网的视觉语言。该格式的限制通常成为创造性的挑战，从而导致了新的数字艺术和交流风格。随着我们继续突破数字图像的可能性的界限，了解 GIF87 等格式的历史和技术基础为创新、标准化和用户体验之间的平衡提供了宝贵的经验教训。
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。