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。
高效图像文件格式 (HEIC) 代表着数字图像领域的一项重大进步，它在不影响质量的情况下提供了卓越的压缩效果。它由动态图像专家组 (MPEG) 开发，是 MPEG-H 媒体套件的一部分，并利用高效视频压缩 (HEVC) 标准，也称为 H.265。HEIC 的设计目标有两个：减小文件大小和提高图像质量，以满足数字时代对高效存储和共享高分辨率照片和图像日益增长的需求。
HEIC 的主要优势之一是其压缩照片的能力，其效率是其前身（广泛使用的 JPEG 格式）的两倍。这种效率不会以质量为代价；HEIC 图像保持了高水平的细节和动态范围，使其适用于广泛的应用，从专业摄影到日常使用。该格式支持 16 位颜色，而 JPEG 支持 8 位，从而可以更丰富、更准确地表示颜色。
HEIC 还引入了几个使其区别于其他图像格式的功能。其中一项功能是能够将多张图像存储在一个文件中，可用于创建照片连拍、序列或存储照片的不同版本。此外，HEIC 文件可以包含辅助信息，如深度图，这对于高级编辑技术（如人像照片中的散景效果）很有用。该格式还支持透明度，使其成为需要此功能进行叠加效果的平面设计师的可行选择。
HEIC 的压缩机制基于 HEVC 视频压缩技术，但针对静态图像进行了定制。这涉及将图像分成块，并通过高级预测和编码策略压缩这些块。该过程同时采用帧内（在同一图像内）和帧间（在同一文件中的多张图像之间）压缩技术，不仅可以高效压缩单个 照片，还可以压缩连续图像差异较小的序列。
尽管有这些优势，但 HEIC 的采用面临着挑战。一个重大的障碍是兼容性。当 HEIC 首次推出时，对操作系统和软件的支持有限。虽然随着时间的推移，这种情况有所改善，Windows 10 和 macOS High Sierra 等主要平台提供了原生支持，但仍有许多设备和应用程序尚未完全适应该格式。随着 HEIC 的优势得到更广泛的认可，以及软件开发人员更新其应用程序以处理该格式，这种情况正在逐渐改变。
另一个挑战与知识产权有关。由于 HEIC 基于 HEVC 压缩标准，因此其使用受 HEVC Advance 专利池管理的许可费约束。由于担心潜在成本，这导致一些制造商和软件提供商在采用该格式时持谨慎态度。然而，随着 HEVC 变得越来越普遍，并且对于视频和静止图像都变得必不可少，即使在许可要求下支持 HEIC 的压力也在增加。
对于用户来说，向 HEIC 过渡也可能带来实际障碍。虽然 HEIC 文件更小且质量更高，但并非所有网络平台和社交媒体网站都直接支持上传 HEIC 文件。这需要转换为更普遍接受的格式，如 JPEG，可能会削弱 HEIC 在文件大小和质量方面的一些优势。然而，随着对该格式的认识和支持的增加，更广泛的直接支持可能会随之而来，从而减少转换的需要。
在软件支持方面，已经出现了各种工具和库来促进使用 HEIC 文件。图像处理软件（如 Adobe Photoshop）已纳入了 HEIC 支持，使专业人士和业余爱好者都可以直接编辑 HEIC 图像。此外，像 libheif 这样的库为开发人员提供了将 HEIC 支持添加到其应用程序的工具，确保更多软件可以原生处理该格式，而无需用户转换其图像。
展望未来，HEIC 将在成像技术的发展中发挥至关重要的作用。随着设备以更高的分辨率捕获图像，以及对高效存储解决方案 的需求不断增长，HEIC 的优势将变得越来越重要。对于存储空间至关重要的移动设备来说尤其如此。通过在保留甚至提高图像质量的同时显著减小文件大小，HEIC 提供了一种更有效地管理数字图像泛滥的方法。
此外，HEIC 的高级功能（例如包含深度信息以及对序列和连拍的支持）为创意摄影和高级图像处理开辟了新的可能性。这些功能与设备功能的持续改进相结合，可能会带来创新应用程序，利用 HEIC 的优势为用户提供捕获和交互图像的新方式。
然而，HEIC 的全部潜力只有在设备和平台的整个生态系统中得到更广泛的支持才能实现。提高兼容性不仅可以让用户更轻松地共享和欣赏高质量图像，还可以鼓励更具创造性和高效地使用数码摄影。因此，行业参与者为解决兼容性问题和知识产权问题所做的努力对于确定 HEIC 格式的未来成功至关重要。
总之，HEIC 是数字成像领域的一项重大创新，它提供了高效和高质量的引人注目的结合。它比 JPEG 等传统格式的优势显而易见，包括更好的压缩、更高质量的图像以及对高级功能的支持。然而，走向广泛采用和最大化其潜力的道路涉及克服与兼容性、许可和用户行为相关的挑战。随着这些障碍的解决，HEIC 可能会成为数字成像领域中越来越重要的格式，改变我们思考和处理图像的方式。
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。