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。
可移植浮点图 (PFM) 文件格式是一种鲜为人知但至关重要的图像格式，尤其是在需要图像数据高保真度和精度的领域。与专为通用用途和网络图形设计的 JPEG 或 PNG 等更常见的格式不同，PFM 格式专门设计用于存储和处理高动态范围 (HDR) 图像数据。这意味着它可以表示比传统 8 位甚至 16 位图像格式更宽的亮度范围。PFM 格式通过使用浮点数来表示每个像素的强度来实现这一点，从而允许从最暗的阴影到最亮的亮点的几乎无限的亮度值范围。
PFM 文件的特点是存储 HDR 数据的简单性和效率。PFM 文件本质上是一个二进制文件，由一个头部分和像素数据组成。头部是 ASCII 文本，可供人类阅读，它指定有关图像的重要信息，例如其尺寸（宽度和高度）以及像素数据是存储在灰度还是 RGB 格式中。在头部之后，像素数据以二进制格式存储，每个像素的值表示为 32 位（对于灰度图像）或 96 位（对于 RGB 图像）IEEE 浮点数。这种结构使该格式易于在软件中实现，同时为 HDR 成像提供了必要的精度。
PFM 格式的一个独特方面是它同时支持小端和大分端字节顺序。这种灵活性确保了该格式可以在不同的计算平台上使用，而不会出现兼容性问题。字节顺序在头文件中由格式标识符指示：“PF”表示 RGB 图像，“Pf”表示灰度图像。如果标识符是大写的，则表示文件使用大端字节顺序；如果它是小写的，则文件使用小端字节顺序。这种机制不仅优雅，而且对 于在具有不同字节顺序的系统之间共享文件时保持浮点数据的准确性至关重要。
尽管 PFM 格式在表示 HDR 图像方面具有优势，但由于为每个像素使用浮点表示而导致的文件大小较大，因此它并未广泛用于消费类应用程序或网络图形中。此外，大多数显示设备和软件并未设计为处理 PFM 文件提供的高动态范围和精度。因此，PFM 文件主要用于计算机图形研究、视觉效果制作和科学可视化等专业领域，这些领域需要最高的图像质量和保真度。
PFM 文件的处理需要能够准确读写浮点数据的专门软件。由于该格式的采用有限，因此此类软件不如更流行的图像格式的工具常见。尽管如此，一些专业级图像编辑和处理应用程序确实支持 PFM 文件，允许用户处理 HDR 内容。这些工具通常不仅提供用于查看和编辑的功能，还提供将 PFM 文件转换为更传统格式的功能，同时尝试通过色调映射和其他技术尽可能多地保留动态范围。
使用 PFM 文件时最重大的挑战之一是消费类硬件和软件中缺乏对 HDR 内容的广泛支持。虽然近年来 HDR 支持逐渐增加，一些较新的显示器和电视能够显示更宽的亮度范围，但生态系统仍在迎头赶上。这种情况通常需要将 PFM 文件转换为更广泛兼容的格式，尽管代价是失去一些动态范围和精度，而这些动态范围和精度使 PFM 格式对专业用途如此有价值。
除了其在存储 HDR 图像中的主要作用之外，PFM 格式还以其简单性而著称，这使其成为计算机图形和图像处理中教育目的和实验项目的绝佳选择。其简单的结构允许学生和研究人员轻松理解和处理 HDR 数据，而不会陷入复杂的文件格式规范中。这种易用性与该格式的精度和灵活性相结合，使 PFM 成为学术和研究环境中的宝贵工具。
PFM 格式的另一个技术特性是它支持 无限和非规格数，这要归功于它使用 IEEE 浮点表示。此功能在科学可视化和某些类型的计算机图形工作中特别有用，其中需要表示极值或数据中的非常精细的渐变。例如，在物理现象的模拟或渲染具有异常明亮光源的场景中，准确表示非常高或非常低的强度值至关重要。
然而，PFM 格式的浮点精度的优势在处理这些文件时会增加计算需求，尤其是对于大型图像。由于每个像素的值都是浮点数，因此图像缩放、滤波或色调映射等操作可能比传统的基于整数的图像格式更耗费计算资源。这种对更多处理能力的需求可能是实时应用程序或功能有限的硬件中的限制。尽管如此，对于图像质量至上的应用程序，其优势远远超过了这些计算挑战。
PFM 格式还包括在其头文件中指定比例因子和端序的规定，这进一步提高了其通用性。比例因子是一个浮点数，它允许文件指示文件像素值的数值范围所表示的物理亮度范围。此功能对于确保在不同项目中使用 PFM 文件或在合作者之间共享 PFM 文件时，明确了解像素值与真实亮度值之间的对应关系至关重要。
尽管 PFM 格式具有技术优势，但它在利基专业和学术环境之外的更广泛采用面临着重大挑战。处理 PFM 文件需要专门的软件，加上文件大小大且计算需求高，这意味着与更普遍的格式相比，它的使用仍然有限。为了让 PFM 格式获得更广泛的接受，需要在能够显示 HDR 内容的可用硬件和软件生态系统对高保真度、高动态范围图像的支持方面发生重大转变。
展望未来，PFM 格式和 HDR 成像的未来总体上与显示技术和图像处理算法的进步息息相关。随着能够呈现更宽亮度范围的显示器变得越来越普遍，并且随着计算资源变得更容易获取，使用 PFM 等 HDR 格式的障碍可能会减少。此外，随着对 处理浮点图像数据更高效算法的持续研究，处理 PFM 文件和传统图像格式之间的性能差距可能会缩小，从而进一步促进 HDR 成像在更广泛的应用程序中的采用。
总之，可移植浮点图 (PFM) 格式代表了高动态范围成像领域的一项关键技术，为表示广泛的亮度范围提供了无与伦比的精度和灵活性。虽然其复杂性以及对专门软件和硬件的需求限制了其在专业和学术领域的采用，但 PFM 格式的能力使其成为图像保真度至关重要的领域中宝贵的资产。随着技术生态系统的不断发展，PFM 和 HDR 内容有可能更多地集成到主流应用程序中，从而丰富更广泛受众的视觉体验。
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。