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。
HRZ 图像格式虽然不像 JPEG、PNG 或 GIF 等格式那样广为人知，但它在某些需要高分辨率和准确色彩再现的领域中有着专门用途。此格式旨在满足平面设计、数字艺术、医学成像和科学研究等领域的专业人士的需求，在这些领域中，精度和质量不容妥协。与更传统的格式不同，HRZ 旨在以高效的方式包含大量详细信息，使其特别适合需要大量后期处理的图像或将在超高分辨率显示器上查看的图像。
从本质上讲，HRZ 格式是一个容器，可以根据项目的要求以无损或有损的方式保存图像。这种适应性是一项关键功能，因为它允许用户在保留图像的最高质量或选择略微降低质量以换取大幅减小文件大小之间做出深思熟虑的选择。这种灵活性使 HRZ 成为处理高清图像的任何专业人士的武器库中的一款多功能工具。
HRZ 格式的标志性特征之一是对宽色域和高动态范围 (HDR) 的支持。借助使用深色（每个通道高达 16 位或更多）存储信息的能力，HRZ 图像可以表示比大多数其他格式更广泛的色彩范围和更精细的色彩渐变。这在数字电影和医学成像等领域特别有益，在这些领域中，捕捉和再现最准确和最细微的色彩至关重要。
HRZ 格式的另一个显着优势是其全面的元数据支持。HRZ 文件中的元数据可以包括版权信息、相机设置、地理标签等，这对需要跟踪图像来源、设置和其他相关详细信息的专业人士至关重要。这些数据不仅对于归档目的至关重要，而且 对于确保图像符合某些标准和许可证也至关重要。HRZ 强大的元数据功能使其成为需要在图像内容旁边提供详细文档的应用程序的最佳选择。
压缩是 HRZ 另一个表现出色的领域。该格式采用了一种复杂的压缩算法，该算法经过专门设计，可以保留最大的细节和色彩准确度。与可能引入明显伪影或模糊的传统压缩方法不同，HRZ 的算法确保图像在压缩后仍然清晰生动。这对于归档目的尤其重要，在归档目的中，图像的完整性必须随着时间的推移而保持，或者对于数字电影等应用程序，在数字电影中，每个像素都很重要。
HRZ 图像还支持多层和透明度，这是平面设计和数字艺术中非常需要的特性。此功能允许将复杂合成保存在单个文件中，而无需合并图层，从而保留将来进行编辑或调整的能力。透明度支持进一步增强了该格式的灵活性，使其非常适合创建叠加、徽标和其他需要集成到各种背景中的元素。
该格式的出色可扩展性是另一个值得注意的功能。HRZ 可以处理几乎任何分辨率的图像，从小型缩略图到大型广告牌，而不会损失任何质量。这种可扩展性使其成为在各种媒体尺寸上工作的专业人士的最爱，并且需要他们的图像在不同格式和显示器上保持保真度。
此外，HRZ 格式在设计时考虑了面向未来。它支持扩展和未来升级，这意味着随着数字成像技术的发展，可以更新 HRZ 格式以包括新功能或改进现有功能，而不会影响旧文件的兼容性。这种前瞻性方法确保了以 HRZ 格式保存的文件即使在开发出更新的成像技术后仍然可以访问和相关。
HRZ 格式中包含的安全功能也值得注意。它包括加密和数字版权管理 (DRM) 选项，使用户可以保护其图像免遭未经授权的访问或使用。这对希望在数字领域保护其知识产权的摄影 师、艺术家和任何创意专业人士尤为重要。
在文件处理和软件兼容性方面，HRZ 得到越来越多的图像编辑和查看软件的支持，这要归功于其开放格式以及公共文档和库的可用性。这种易用性促进了广泛采用，并允许开发人员将 HRZ 支持集成到他们的应用程序中，确保用户可以毫无障碍地使用 HRZ 文件。
尽管有许多优点，但 HRZ 格式在实现普遍采用时确实面临一些挑战。与 JPEG 等压缩程度更高的格式相比，主要障碍之一是文件大小相对较大。在存储空间受限的情况下，例如在 Web 开发或移动应用程序中，这可能是一个限制因素。然而，在专业环境中，通常认为以更高的质量和更丰富的细节进行权衡是值得的，在这些环境中，这些属性是不可协商的。
另一个需要考虑的是需要专门的软件来充分利用 HRZ 格式的功能。虽然许多应用程序支持基本查看和编辑，但要充分利用该格式的功能（例如其全面的元数据支持和高级色彩配置文件），可能需要更专业的工具。对于业余爱好者或预算紧张的人来说，这可能会构成进入障碍，尽管相关领域的专业人士可能会发现这项投资是合理的。
HRZ 格式的开发和维护由一个专门的行业利益相关者联盟监督，确保它继续满足专业标准并根据用户需求进行发展。这种治理模式有助于随着时间的推移保持该格式的质量、安全性和兼容性，反映了支持全球行业和专业人士的高端成像需求的承诺。
总之，HRZ 图像格式代表了数字成像技术的一项重大进步，它提供了在更主流的格式中难以找到的质量、灵活性和安全性。它保持高分辨率细节、支持广泛的色谱和管理大量元数据的能力，使其成为各个行业专业人士的宝贵工具。尽管存在文件大小较大以及需要专门软件等挑战，但在适当的上下文 中使用 HRZ 的好处远远超过了这些考虑因素。随着数字成像技术不断发展，HRZ 格式已做好充分准备进行适应，并继续成为专业图像管理领域的关键参与者。
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。