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。
PAM（便携式任意地图）图像格式是 Netpbm 项目保护伞下设计的图像文件格式系列中一个相对鲜为人知的成员。它是一种高度灵活的格式，可以表示具有不同深度和像素数据类型的各种图像类型。PAM 本质上是早期 PBM（便携式位图）、PGM（便携式灰度图）和 PPM（便携式像素图）格式的扩展，统称为 PNM（便携式任意地图）格式，这些格式以牺牲功能和压缩为代价，旨在实现简单和易用。PAM 的推出是为了克服这些格式的局限性，同时保持其简单性和易用性。
PAM 格式旨在独立于设备和平台，这意味着以这种格式保存的图像可以在任何系统上打开和处理，而无需担心兼容性问题。这是通过以纯文本或二进制格式存储图像数据来实现的，各种软件都可以轻松地读取和写入这些数据。该格式还具有可扩展性，允许包含新功能和功能，而不会破坏与旧版本的兼容性。
PAM 文件由一个头文件和图像数据组成。头文件是 ASCII 文本，指定图像的宽度、高度、深度和最大值，以及定义颜色空间的元组类型。头文件以魔术数字“P7”开头，后面是一系列以换行符分隔的标记，这些标记提供了必要的元数据。图像数据紧跟在头文件后面，可以存储为二进制或 ASCII 格式，其中二进制格式由于文件大小较小和处理时间较快而更常见。
PAM 头文件中指定的深度表示每个像素的通道或组件数。例如，深度为 3 通常表示彩色图像的红色、绿色和蓝色通道，而深度为 4 可能包括用于透明度的附加 Alpha 通道。头文件中还指定的最大值表示任何通道的最大值，这反过来又决定了图像的位深度。例如，最大值为 255 对应于每个通道 8 位。
元组类型是 PAM 格式的一个关键特性，因为它定义了像素数据的解释。常见的元组类型包括“BLACKANDWHITE”、“GRAYSCALE”、“RGB”和“RGB_ALPHA”等。这种灵活性允许 PAM 文件表示各种图像类型，从简单的黑白图像到具有透明度的全彩色图像。此外，还可以定义自定义元组类型，使该格式具有可扩展性和适应专门成像要求的能力。
PAM 文件还可以在头文件中包含可选的注释行，这些注释行以“#”字符开头。图像读取器会忽略这些注释，它们是为人类读者准备的。它们可用于存储元数据，例如图像的创建日期、用于生成图像的软件或任何不适合标准头字段的其他相关信息。
PAM 文件中的图像数据存储在元组序列中，每个元组表示一个像素。元组从左到右、从上到下排列，从图像的左上角像素开始。在二进制格式中，元组的每个通道的数据都存储为二进制整数，每个通道的字节数由头文件中指定的最大值确定。在 ASCII 格式中，通道值表示为用空格分隔的 ASCII 十进制数字。
PAM 格式的优点之一是其简单性，这使得它易于解析和生成。这种简单性是以文件大小为代价的，因为 PAM 不包含任何内置压缩机制。但是，可以使用 gzip 或 bzip2 等通用压缩算法对 PAM 文件进行外部压缩，这可以显着减小文件大小以进行存储或传输。
尽管有这些优点，但由于 JPEG、PNG 和 GIF 等其他图像格式的主导地位，PAM 格式并未在主流中广泛使用，这些格式提供了内置压缩，并且得到更广泛的软件和硬件的支持。然而，PAM 仍然是某些应用程序的宝贵格式，特别是那些需要高度 灵活性的应用程序或涉及图像处理或分析任务的应用程序，其中格式的简单性和精确性是有益的。
在软件开发的背景下，PAM 格式通常用作图像处理管道中的中间格式。其简单的结构使其易于使用自定义脚本或程序进行操作，其灵活性使其能够在不丢失信息的情况下适应各种处理步骤的输出。例如，可以将图像转换为 PAM 格式，对其进行处理以应用滤镜或变换，然后将其转换为更常见的格式以进行显示或分发。
Netpbm 库是用于处理 PAM 和其他 Netpbm 格式的主要软件包。它提供了一组命令行工具，用于在格式之间转换，以及执行基本的图像操作，例如缩放、裁剪和颜色调整。该库还包括用于 C 和其他语言的编程接口，允许开发人员直接在其应用程序中读写 PAM 文件。
对于有兴趣使用 PAM 格式的用户和开发人员，有几个注意事项需要牢记。首先，由于该格式不常见，并非所有图像查看和编辑软件都原生支持它。对于某些任务，可能需要使用专门的工具或转换为不同的格式。其次，缺乏压缩意味着 PAM 文件可能非常大，特别是对于高分辨率图像，因此在使用此格式时应考虑存储和带宽。
尽管有这些考虑因素，但 PAM 格式的优势使其在某些情况下成为一种有价值的工具。其简单性和灵活性促进了快速开发和实验，其可扩展性确保了它可以适应未来的需求。对于研究、科学成像或图像数据完整性和精确性至上的任何应用程序，PAM 提供了一个强大的解决方案。
总之，PAM 图像格式是一种通用且简单的文件格式，属于 Netpbm 图像格式系列。它旨在简单、灵活且独立于平台，使其适用于各种图像类型和应用程序。虽然它可能不是每种情况下的最佳选择，特别是在文件大小或广泛兼容性受关注的情况下，但其优势使其成为需要 精确表示和处理图像数据的专门应用程序的绝佳选择。因此，它仍然是图像处理和分析领域中相关且有用的格式。
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。