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。
渐进式 JPEG（PJPEG）格式是传统 JPEG 图像格式的扩展，以其压缩数字图像和照片的高效性而闻名。与从上到下一次性加载图像的标准 JPEG 不同，PJPEG 以多次扫描加载图像，质量逐渐提高。此技术在 Web 设计和在线图像展示中具有显着优势，其中图像加载速度和观众参与至关重要。了解 PJPEG 的技术复杂性对于优化 Web 性能和增强用户体验非常有益。
PJPEG 采用离散余弦变换 (DCT) 技术，类似于标准 JPEG。DCT 通 过将图像分解为不同频率的部分，然后对这些频率进行量化以减小文件大小。在这个过程中，PJPEG 与标准 JPEG 的区别在于它如何组织和使用这些 DCT 系数。PJPEG 以一种允许图像质量逐步提高的方式存储这些系数。最初，它仅使用最重要的系数显示整个图像的粗略预览，随后的扫描添加更精细的细节。
PJPEG 格式的一个关键方面是其压缩过程，该过程分为两个主要阶段：有损和无损。有损阶段涉及对 DCT 系数进行量化，这降低了图像细节的精度，但显著减小了文件大小。在此阶段，对系数进行重新排序，以优先考虑最重要的视觉信息。无损阶段需要进行霍夫曼编码过程，在不损失任何质量的情况下进一步压缩图像。这种双阶段压缩允许 PJPEG 图像渐进加载，而不会牺牲最终图像质量。
将图像编码为 PJPEG 格式的过程涉及创建图像的多个扫描，每个扫描的细节都增加。第一次扫描引入基本轮廓，显示主要颜色和形状。连续的扫描添加细节层，即使在图像完全加载之前，也能让观看者快速掌握图像的本质。PJPEG 的这一方面对于通过慢速互联网连接查看的图像特别有益，在该连接中，有效地传递内容而不影响图像质量至关重要。
查看以 PJPEG 格式编码的图像需要兼容的 Web 浏览器或支持渐进式渲染的图像查看器。随着图像数据的下载，该软件按顺序解释扫描，随着更多数据的可用，使用图像的更高保真度表示更新显示。这创造了一种用户体验，其中图像似乎加载得更快，因为图像的较早、较低质量的版本首先出现，然后是细节和清晰度的逐步提高。
PJPEG 相对于标准 JPEG 的另一个优势是文件大小。虽然存储同一图像的多个扫描似乎会导致文件更大，但 PJPEG 中使用的有效压缩技术通常会为相同的视觉质量产生更小的文件大小。这是因为初始扫描需要相对较少的 DCT 系数来表示图像，并且以高度优化的方式添加其他细节。这种效率使 PJPEG 成为优化网站加载时间和提高整体 Web 性能的有吸引力的选择。
在缺点方面，PJPEG 的一个挑战是需要特定的软件或浏览器支持才能充分利用其渐进式加载功能。虽然大多数现代 Web 浏览器都支持 PJPEG，但某些图像编辑软件可能无法正确处理该格式，从而导致编辑 PJPEG 文件时出现困难。此外，在非常快的连接上，渐进式加载功能可能不太明显，图像可能几乎立即加载，从而否定渐进式增强。
从开发人员的角度来看，在网站上实现 PJPEG 需要在编码过程中仔细考虑图像质量设置。文件大小和图像质量之间的平衡至关重要，因为过度压缩的图像可能加载得很快，但其质量较差会让用户失望。相反，压缩太少会导致加载时间更长，可能损害用户参与度。开发人员还必须了解受众使用的浏览器和设备的支持和渲染功能，以确保一致的体验。
创建 PJPEG 文件的技术方面涉及能够处理具有渐进式选项设置的 JPEG 编码的专门软件工具。例如，Adobe Photoshop 提供以 PJPEG 格式保存图像的选项，允许用户调整扫描次数和压缩级别。对于 Web 开发，有各种在线工具和库简化了将标准 JPEG 图像转换为 PJPEG 的过程，使开发人员能够更有效地优化其 Web 资源。
从历史角度来看，JPEG 格式（包括其渐进式变体）是由联合图像专家组在 20 世纪 90 年代初开发的，作为医学数字成像和通信 (DICOM) 标准的一部分。随着互联网和数码摄影的爆炸式发展，JPEG 成为使用最广泛的图像格式之一，因为它的高效压缩使在线共享和显示图像成为可能。PJPEG 的引入通过解决当时普遍存在的带宽和连接速度限制来增强用户体验。
PJPEG 的使用并不局限于 Web 图像。它还在其他领域中找到应用，在这些领域中，高效的图像加载和渐进式显示可以增强用户体验。例如，在在线游戏中，PJPEG 可用于加载游戏纹理，即使在带宽受限的情况下也能为玩家提供无缝体验。类似地，在电子商务中，渐进式图像可以帮助用户在浏览产品库时保持参与度，从而提高转化率。
此外，高分辨率显示器和移动设备的普及影响了 PJPEG 的应用。在高分辨率屏幕上，加载高质量图像可能是带宽密集型的。PJPEG 通过允许图像最初以较低质量显示，然后逐步增强来实现折衷，从而减少感知加载时间。这种方法在移动环境中特别有利，在移动环境中，数据使用和速度可能是限制因素。
环境因素也在 PJPEG 的采用中发挥作用。通过减小文件大小和优化加载时间，网站可以减少其数据传输量，从而可能降低数据中心和网络基础设施的能耗。这一方面与绿色计算的更广泛目标一致，强调数字技术中能源效率的重要性。虽然图像格式选择对环境的影响可能看起来很小，但从互联网的规模来看，它有助于数字通信的整体能源效率。
总之，渐进式 JPEG 格式代表了一种复杂的图像压缩和显示方法，为在线内容交付提供了许多好处。凭借其渐进式加载功能，PJPEG 可以通过优化图像加载时间而不牺牲质量来提高用户参与度。尽管在实现和兼容性方面存在一些挑战，但 PJPEG 的优势使其成为 Web 开发人员、平面设计师和内容创作者的宝贵工具，他们旨在增强其数字产品的视觉体验。随着互联网技术的不断发展，理解和利用 PJPEG 等格式对于高效和可持续地传递内容仍然至关重要。
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。