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。
IIQ 图像格式代表智能图像质量，是 Phase One 开发的专有原始图像文件格式。作为原始文件格式，IIQ 旨在捕获相机传感器记录的所有图像数据，以及捕获条件，例如相机设置和场景照明。此格式主要用于中画幅相机和 Phase One 生产的数码后背，这些相机和后背通常用于图像质量和后期处理灵活性至关重要的高端摄影中。
IIQ 等原始图像格式与 JPEG 或 PNG 等标准图像格式有着根本的不同。虽然 JPEG 图像在相机内经过处理和压缩，从而导致文件大小更小且后期处理灵活性更低，但 IIQ 等原始文件经过最少的处理。这意味着它们保留了更多信息，这允许摄影师对曝光、白平衡和其他设置进行更重要的调整，而不会降低图像质量。
IIQ 格式有两种变体：IIQ L 和 IIQ S。“L”变体是无损的，这意味着它压缩图像数据而不会丢失任何细节或质量。这非常适合需要最高图像保真度的场合。“S”变体另一方面应用轻微的有损压缩来减小文件大小，当存储空间或传输速度受限时这可能是有益的。尽管进行了压缩，但 IIQ S 文件仍比典型的 JPEG 文件保留更高的质量水平。
IIQ 格式的一个关键特性是它使用 16 位色深，这允许使用广泛的色彩和色调渐变。这明显高于标准 JPEG 图像中发现的 8 位色深，后者每个颜色通道只能显示 256 级灰度。使用 16 位深度，IIQ 文件每个通道可以表示 65,536 级灰度，从而在颜色之间提供更平滑的过渡，并在阴影和高光中提供更 丰富的细节。
IIQ 格式还包含针对所使用的特定传感器和相机系统量身定制的高级色彩配置文件。这些配置文件有助于在不同的设备和照明条件下保持色彩准确性和一致性。Phase One 与色彩专家密切合作，以确保 IIQ 文件中的色彩还原尽可能真实，这对要求精确色彩管理的专业摄影师尤为重要。
IIQ 格式的另一个优点是其在元数据方面的灵活性。IIQ 文件可以存储广泛的元数据，包括相机设置、GPS 数据以及所用相机和镜头的唯一标识符。这些元数据对于组织和管理大型图像库以及复制拍摄条件或跟踪特定设备的使用情况非常宝贵。
IIQ 文件的文件结构旨在既健壮又灵活。该格式使用类似 TIFF 的结构，这是影像行业中公认的标准。此结构允许在单个文件中包含各种类型的数据，例如原始图像数据、预览图像和元数据。使用标准结构还意味着 IIQ 文件可以被一系列软件应用程序读取和处理，尽管通常使用 Phase One 自家的 Capture One 软件可以获得最佳效果。
Capture One 是一款专业级图像编辑软件，提供了一套专门设计用于处理 IIQ 文件的工具。它提供高级原始处理功能，包括降噪、锐化和镜头校正。Capture One 还允许进行连接拍摄，其中图像直接捕获到计算机并可以实时编辑，这是工作室摄影师的热门功能。
尽管 IIQ 格式有很多优点，但仍有一些注意事项需要牢记。文件大小可能非常大，尤其是对于无损 IIQ L 变体。这可能导致存储需求增加和文件传输时间变慢。此外，由于 IIQ 是专有格式，因此它不像 DNG（数码底片）等更常见的原始格式那样得到广泛支持，这可能会限制其与第三方软件和服务的兼容性。
为了解决文件大小问题，Phase One 在 IIQ 格式中实施了智能预览系统。此系统包括嵌入在 IIQ 文件中的较小、较低分辨率的图像版本。此预览可用于快速浏览和选择，而无需处理完整的原始文件，这可能很耗时。一旦选择了所需的图像，只需完全处理这些图像，即可节省时间和计算资源。
IIQ 文件的处理是专业摄影师工作流程中的关键步骤。相机传感器捕获的原始数据不能直接作为图像查看；它必须首先转换为标准图像格式，如 JPEG 或 TIFF。此转换过程是摄影师可以对最终图像进行创造性控制的地方，调整曝光、对比度和色彩平衡等参数以达到所需的效果。
图像的动态范围，即从最暗阴影到最亮高光的亮度值范围，是 IIQ 格式另一个表现出色的领域。IIQ 文件中捕获的高动态范围允许摄影师恢复在其他格式中可能丢失的细节。例如，如果图像曝光不足，阴影中的附加数据可用于提亮这些区域，而不会引入明显的噪点或伪像。
在安全性和真实性方面，IIQ 格式可以包括验证图像数据完整性的数字签名。这在法医摄影或美术复制等领域尤为重要，在这些领域中图像的真实性至关重要。数字签名确保图像未被篡改，并且它是相机捕获的场景的准确表示。
IIQ 格式的未来可能会看到 Phase One 持续开发和改进。随着传感器技术的发展和专业摄影师的需求不断变化，IIQ 格式需要适应以支持更高的分辨率、更快的处理时间和更高的色彩准确性。Phase One 对专业摄影市场的承诺表明，他们将继续投资 IIQ 格式，将其作为其相机系统的一个关键组成部分。
总之，IIQ 图像格式是一种高质量的原始文件格式，为专业摄影师提供了难以与其他图像格式相媲美的细节、色彩准确性和后期处理灵活性。虽然它确实带来了一些挑战，例如文件大小大且第三方支持有限，但它在图像质量和创造性控制方面提供的优势使其成为高端摄影的宝贵工具。随着影像行业不断发展，IIQ 格式将继续成为那些在其工作中需要最佳图像保真度和灵活性的摄影师的重要资产。
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。