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。
JPEG 2000 图像格式通常缩写为 JP2，是一种图像编码系统，作为原始 JPEG 标准的继任者而创建。它是由联合图像专家组委员会在 2000 年代初开发的，目的是提供一种新的图像格式，可以克服传统 JPEG 格式的一些限制。JPEG 2000 不能与标准 JPEG 格式混淆，后者使用 .jpg 或 .jpeg 文件扩展名。JPEG 2000 为其文件使用 .jp2 扩展名，并提供了比其前身多项重大改进，包括在更高的压缩比下获得更好的图像质量、支持更高的位深度以及通过 alpha 通道改进透明度处理。
JPEG 2000 的一个关键特性是它使用小波压缩，而不是原始 JPEG 格式中使用的离散余弦变换 (DCT)。小波压缩是一种非常适合图像压缩的数据压缩形式，其中文件大小在不牺牲质量的情况下减小。这是通过将图像转换为小波域来实现的，其中图像信息以允许不同细节级别的方式存储。这意味着 JPEG 2000 可以在同一文件格式中提供无损和有损压缩，根据用户的需要提供灵活性。
JPEG 2000 的另一个显着优势是它支持渐进解码。此功能允许在文件仍在下载时显示图像的低分辨率版本，这对于网络图像特别有用。随着接收更多数据，图像质量会逐渐提高，直到显示全分辨率图像。这与标准 JPEG 格式形成对比，在标准 JPEG 格式中，只有在下载整个文件后才能显示图像。
JPEG 2000 还引入了感兴趣区域 (ROI) 的概念。这允许图像的不同部分以不同的质量级别进行压缩。例如，在人物照片中，个人的脸部 可以比背景以更高的质量进行编码。这种选择性质量控制在图像的某些部分比其他部分更重要的应用程序中非常有用。
JPEG 2000 格式还具有高度可扩展性。它支持广泛的图像分辨率、颜色深度和图像组件。这种可扩展性扩展到空间和质量维度，这意味着单个 JPEG 2000 文件可以存储多个分辨率和质量级别，可以根据不同应用程序或设备的需要提取这些级别。这使得 JPEG 2000 成为从数字电影到医学成像等各种用途的绝佳选择，在这些用途上不同的用户可能需要不同的图像属性。
在色彩准确性方面，JPEG 2000 每色通道支持高达 16 位，而标准 JPEG 每通道支持 8 位。这种增加的位深度允许更广泛的色彩范围和它们之间更微妙的渐变，这对于色彩保真度至关重要的高端照片编辑和打印尤为重要。
JPEG 2000 还包括强大的错误恢复功能，使其更适合在数据损坏风险较高的网络（例如无线网络或互联网）上传输图像。该格式可以包括校验和和其他数据完整性检查，以确保即使在传输过程中丢失了一些数据包，图像也可以重建。
尽管有许多优点，但与原始 JPEG 格式相比，JPEG 2000 并未得到广泛采用。造成这种情况的一个原因是 JPEG 2000 压缩算法的复杂性，它需要更多的计算能力来对图像进行编码和解码。这使得它对通常优先考虑速度和简单性的消费电子产品和网络平台不太有吸引力。此外，原始 JPEG 格式已深深植根于行业，并拥有庞大的软件和硬件支持生态系统，这使得新格式难以立足。
限制 JPEG 2000 采用的另一个因素是专利问题。JPEG 2000 标准包括由各种实体申请专利的技术，这引起了人们对许可费和法律限制的担忧。尽管其中许多专利已经过期或已经以合理和非歧视性的条款提供，但最初的不确定性导致一些组织不愿采用该 格式。
尽管面临这些挑战，JPEG 2000 仍在某些专业领域找到了利基市场，其高级功能在这些领域特别有价值。例如，在数字电影中，JPEG 2000 被用作数字电影倡议 (DCI) 规范的一部分，用于电影的发行和放映。其高质量的图像表示和可扩展性使其非常适合高分辨率电影屏幕的需求。
在归档和数字保存领域，JPEG 2000 也因其无损压缩能力和以既高效又有利于长期保存的方式存储图像的能力而受到青睐。出于这些原因，需要其收藏品的高质量数字副本的图书馆、博物馆和其他机构通常选择 JPEG 2000。
医学成像行业是 JPEG 2000 已成功实施的另一个领域。该格式对高位深度和无损压缩的支持对于确保医学图像（例如 X 射线和 MRI 扫描）保留准确诊断和分析所需的所有细节至关重要。此外，高效处理非常大的图像文件的能力使 JPEG 2000 非常适合该行业。
JPEG 2000 还包括一组丰富的元数据功能，允许在图像文件本身中嵌入大量信息。这可以包括版权信息、相机设置、地理位置数据等。此功能对于资产管理系统和其他跟踪图像来源和属性很重要的应用程序特别有用。
总之，JPEG 2000 图像格式提供了一系列高级功能，在图像质量、灵活性和鲁棒性方面提供了显着优势。它使用小波压缩可以在较小的文件大小下获得高质量的图像，并且它对渐进解码、感兴趣区域和可扩展性的支持使其成为许多应用程序的通用选择。虽然它尚未在主流使用中取代原始 JPEG 格式，但 JPEG 2000 已成为在最需要其独特优势的行业中的首选格式。随着技术的不断进步和对更高质量数字成像的需求不断增长，JPEG 2000 未来可能会得到更广泛的采用。
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。