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。
高动态范围 (HDR) 成像是一种旨在弥合人眼感知广泛亮度水平的能力与传统数字成像系统在捕捉、处理和显示此类范围方面的局限性之间的差距的技术。与标准动态范围 (SDR) 图像（在同一帧内展示光线和黑暗的极端值的能力有限）不同，HDR 图像可以显示更广泛的亮度水平。这会产生更生动、更逼真且与人眼在现实世界中感知到的内容更接近的图片。
动态范围的概念对于理解 HDR 成像至关重要。动态范围是指成像系统可以捕捉、处理或显示的最亮光线和最暗黑暗之间的比率。它通常以档位为单位进行测量，每个档位代表光线量的加倍或减半。传统的 SDR 图像通常在约 6 到 9 档的动态范围内运行。另一方面，HDR 技术旨在大幅超越此限制，渴望达到或甚至超过人眼在某些条件下的约 14 到 24 档的动态范围。
HDR 成像通过先进的捕捉技术、创新的处理算法和显示技术的结合得以实现。在捕捉阶段，以不同的亮度水平拍摄同一场景的多个曝光。这些曝光捕捉了从最暗阴影到最亮高光的细节。然后，HDR 过程涉及将这些曝光组合成一张图像，该图像包含的动态范围远远大于使用传统的数字成像传感器在单次曝光中可以捕捉到的动态范围。
HDR 图像的处理涉及将捕捉到的广泛亮度水平映射到可以有效存储、传输并最终显示的格式中。色调映射是此过程的关键部分。它将捕捉到的场景的高动态范围转换为与目标显示或输出介质兼容的动态范围 ，同时努力保持场景原始亮度变化的视觉冲击力。这通常涉及复杂的算法，这些算法会仔细调整亮度、对比度和颜色饱和度，以生成看起来自然且对观看者有吸引力的图像。
HDR 图像通常存储在可以容纳扩展亮度信息范围的专门文件格式中。JPEG-HDR、OpenEXR 和 TIFF 等格式是专门为此目的开发的。这些格式使用浮点数和扩展色域等各种技术来精确编码 HDR 图像中广泛的亮度和颜色信息。这不仅保留了 HDR 内容的高保真度，还确保了与广泛的 HDR 启用设备和软件生态系统的兼容性。
显示 HDR 内容需要能够提供比标准显示器更高的亮度水平、更深的黑色和更宽的色域的屏幕。兼容 HDR 的显示器使用 OLED（有机发光二极管）和带有 LED（发光二极管）背光增强功能的高级 LCD（液晶显示器）面板等技术来实现这些特性。这些显示器渲染细微和明显的亮度差异的能力极大地增强了观看者的深度感、细节感和真实感。
HDR 标准和元数据的开发进一步促进了 HDR 内容的普及。HDR10、杜比视界和混合对数伽马 (HLG) 等标准指定了跨不同平台和设备对 HDR 内容进行编码、传输和渲染的准则。HDR 元数据通过提供有关内容的色彩校准和亮度水平的信息，在此生态系统中发挥着至关重要的作用。这使设备能够根据每段内容的特定特性优化其 HDR 渲染功能，确保始终如一的高质量观看体验。
HDR 成像中的一项挑战是需要将其无缝集成到现有的工作流程和技术中，而这些工作流程和技术主要面向 SDR 内容。这不仅包括图像的捕捉和处理，还包括它们的分布和显示。尽管存在这些挑战，但 HDR 的采用正在迅速增长，这在很大程度上要归功于主要内容创建者、流媒体服务和电子产品制造商的支持。随着 HDR 技术的不断发展和变得更容易获得，预计它将成为从摄影和电影到视频游戏和虚拟现实的广泛应用的标准。
与 HDR 技术相关的另一个挑战是在增加动态范围的愿望与保持与现有显示技术的兼容性之间的平衡。虽然 HDR 提供了显着增强视觉体验的机会，但也有风险，即实施不当的 HDR 可能会导致在不完全兼容 HDR 的显示器上显示的图像要么太暗要么太亮。适当的色调映射和仔细考虑最终用户显示功能对于确保 HDR 内容可供广泛受众使用并提供普遍改进的观看体验至关重要。
在 HDR 技术的讨论中，环境因素也变得越来越重要。HDR 兼容设备的更亮显示器所需的更高功耗对能源效率和可持续性提出了挑战。制造商和工程师正在不断努力开发更节能的方法来实现高亮度和对比度水平，而不会损害这些设备的环境足迹。
HDR 成像的未来看起来很有希望，正在进行的研究和开发集中在克服当前的限制和扩展该技术的性能。量子点显示器和微型 LED 等新兴技术有可能进一步提高 HDR 显示器的亮度、色彩准确性和效率。此外，捕捉和处理技术的进步旨在通过简化工作流程和减少对专用设备的需求，使内容创建者更容易获得 HDR。
在内容消费领域，HDR 技术也为沉浸式体验开辟了新途径。在视频游戏和虚拟现实中，HDR 可以通过更准确地再现现实世界的亮度和色彩多样性来显着增强临场感和真实感。这不仅提高了视觉质量，还加深了数字体验的情感影响，使它们更具吸引力和逼真感。
除了娱乐之外，HDR 技术在医学成像等领域也有应用，其显示更广泛亮度水平的能力可以帮助揭示标准图像中可能遗漏的细节。类似地，在天文和遥感等领域，HDR 成像可以以前所未有的清晰度和深度捕捉天体和地球表面特征的细微差别。
总之，HDR 技术代表了数字成像的重大进步，它提供了增强的视 觉体验，使数字内容更接近现实世界的丰富性和深度。尽管与其实施和广泛采用相关的挑战，HDR 的好处是显而易见的。随着这项技术不断发展并融入各个行业，它有可能彻底改变我们捕捉、处理和感知数字图像的方式，为创造力、探索和理解开辟新的可能性。
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。