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。
PICT 图像格式由 Apple Inc. 于 20 世纪 80 年代开发，主要设计用于 Macintosh 计算机上的图形应用程序。作为 Mac OS 图形基础设施的关键部分，PICT 不仅作为一种图像格式，还作为一种复杂的系统，用于存储和处理矢量图形、位图图像甚至文本。PICT 格式的多功能性使其能够存储各种图形数据类型，使其成为早期 Macintosh 平台上图形开发和渲染的基本工具。
从本质上讲，PICT 格式以其复杂的结构为特色，该结构旨在在一个文件中容纳矢量和光栅图形。这种二元性允许 PICT 文件包含具有可缩放矢量的详细插图以及丰富的基于像素的图像。这种组合对于平面设计师和出版商来说尤其有利，为他们提供了高度的灵活性，可以精确且高质量地创建和编辑图像，这是当时无与伦比的。
PICT 格式的一个关键特性是它使用操作码，或操作代码，它命令 Macintosh QuickDraw 图形系统执行特定任务。QuickDraw 是 Mac OS 中图像渲染背后的引擎，它解释这些操作码以绘制形状、填充图案、设置文本属性以及管理图像中位图和矢量元素的组合。将这些指令封装在 PICT 文件中允许动态渲染图像，这是一项超前的功能。
PICT 格式支持各种颜色深度，从 1 位单色到 32 位彩色图像。这种广泛的支持使 PICT 文件在其应用程序中具有高度的多功能性，可以满足不同的显示功能和用户需求。此外，PICT 与 QuickDraw 系统的集成意味着它可以有效地利用 Macintosh 计算机上可用 的调色板和抖动技术，从而确保图像在任何给定的显示器上看起来都最佳。
PICT 文件中的压缩是通过各种方法实现的，其中 PackBits 是一种常用的技术，用于减小位图图像的文件大小，而不会显着降低质量。此外，与位图图像相比，PICT 文件中的矢量元素本质上需要更少的存储空间，这有助于该格式有效处理复杂图形。PICT 的这一方面使其特别适用于需要存储和处理高质量图像且文件大小可控的应用程序。
文本处理是 PICT 格式另一个出色的方面，它允许将文本嵌入图像中，同时保留字体样式、大小和对齐规范。此功能得益于该格式对操作码的复杂使用以控制文本渲染，使 PICT 文件非常适合需要集成图形和文本元素的文档。将文本和图形如此无缝地结合在一起的能力对于出版和设计应用程序来说是一个显着的优势。
PICT 文件通常以 512 字节的文件头开始，该文件头保留用于文件系统信息，然后是实际图像数据，该数据以大小和帧定义开头。该帧定义了图像的边界，有效地设置了渲染图形和文本的工作空间。在帧定义之后，文件被描绘成一系列操作码，每个操作码后面跟着其特定数据，定义要执行的各种图形元素和操作。
虽然 PICT 格式在灵活性和功能性方面表现出色，但其专有性质和数字图形的发展最终导致了它的衰落。更开放和通用的格式的出现，能够处理具有更好压缩算法和跨平台兼容性的复杂图形，例如 PNG 和 SVG，使 PICT 不那么流行。尽管如此，PICT 格式仍然是数字图形历史上的一个重要里程碑，体现了其时代的创新精神以及无缝集成矢量和位图图形的动力。
PICT 格式最引人注目的方面之一是其在可扩展性和质量保留方面的超前设计。与纯基于位图的格式不同，当缩放时会失去清晰度，PICT 文件中的矢 量组件可以在不影响其质量的情况下调整大小。此功能对于印刷材料特别有益，在印刷材料中，能够将图像按比例放大或缩小以适应不同的布局而不会降低质量至关重要。
在教育和专业领域，PICT 文件找到了一个利基市场，其独特的功能受到高度重视。例如，在桌面出版和平面设计中，精度和质量至关重要，PICT 提供了当时其他格式无法提供的解决方案。它能够以高保真度处理文本、图形和图像的复杂组合，使其成为从时事通讯和小册子到复杂图形设计的各种应用程序的首选格式。
然而，技术障碍凸显了 PICT 格式在 Macintosh 生态系统之外更广泛的兼容性和适应性方面的挑战。随着数字技术的进步，对更具通用兼容性的格式的需求不断增长。在不同平台和操作环境之间轻松共享图形的必要性导致 PICT 的受欢迎程度逐渐下降。此外，互联网和网络出版的日益普及要求图像格式针对快速加载时间和广泛兼容性进行优化，JPEG 和 GIF 等格式提供了更好的解决方案。
尽管最终被淘汰，但 PICT 格式在塑造数字成像和图形设计的过程中发挥了形成性作用。它很早就证明了拥有一个能够有效处理各种类型图形数据的通用格式的重要性。此外，PICT 的哲学基础——特别是它对矢量和位图图形的集成——影响了后续图像格式和图形系统的设计，突出了其对该领域持久的影响。
回顾过去，虽然 PICT 格式可能不再被广泛使用，但其遗产在其所倡导的原则和所引入的创新中得以延续。对多功能性、质量以及在一个文件中和谐融合不同图形元素的强调开创了一个先例，该先例继续影响着数字图形的发展。因此，虽然较新的格式在流行度和实用性方面已经超越了 PICT，但 PICT 背后的基本思想仍在图形设计和数字成像领域引起共鸣。
展望 未来，从 PICT 格式的开发和使用中吸取的教训强调了数字成像技术不断发展的本质。从 PICT 到更高级格式的演进反映了该行业在数字图像中不断追求效率、兼容性和质量。因此，了解 PICT 的历史和技术复杂性不仅可以深入了解计算机图形的历史，还可以突出适应性和创新在驾驭数字媒体未来中的重要性。
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。