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。
PNG，即便携式网络图形，是一种支持无损数据压缩的栅格图形文件格式。PNG 被开发为图形交换格式 (GIF) 的改进且未获得专利的替代品，旨在在互联网上传输图像，不仅适用于专业品质的图形，还适用于照片和其他类型的数字图像。PNG 最显着的特点之一是它支持基于浏览器的应用程序中的透明度，使其成为 Web 设计和开发中的关键格式。
PNG 的诞生可以追溯到 1995 年，当时围绕 GIF 格式中使用的压缩技术存在专利问题。在 comp.graphics 新闻组中发出了创建新图形格式的呼吁，从而导致了 PNG 的开发。这种新格式的主要目标是改进和克服 GIF 的局限性。其目标包括支持超过 256 种颜色的图像、包含用于透明度的 alpha 通道、提供隔行扫描选项，并确保该格式无专利且适用于开源开发。
PNG 文件在图像保存质量方面表现出色，支持多种颜色深度，从 1 位黑白到 16 位每通道的红、绿和蓝 (RGB)。这种广泛的颜色支持使 PNG 适用于以小文件大小存储线条图、文本和标志性图形。此外，PNG 对 alpha 通道的支持允许不同程度的透明度，从而能够在数字图像中精确呈现阴影、发光和半透明对象等复杂效果。
PNG 的突出特点之一是其无损压缩算法，使用 DEFLATE 方法定义。该算法旨在减小文件大小，同时不牺牲任何图像质量。压缩的效率取决于被压缩的数据类型；对于具有大面积均匀颜色或重复图案的图像，它特别有效。尽管压缩 是无损的，但需要注意的是，与 JPEG 等格式相比，PNG 并不总是能产生最小的可能文件大小，尤其是对于复杂的照片。
PNG 文件的结构基于块，其中每个块表示图像的某种数据或元数据。PNG 文件中有四种主要类型的块：IHDR（图像头），其中包含有关图像的基本信息；PLTE（调色板），其中列出了索引颜色图像中使用的所有颜色；IDAT（图像数据），其中包含使用 DEFLATE 算法压缩的实际图像数据；和 IEND（图像尾），它标记 PNG 文件的结尾。其他辅助块可以提供有关图像的更多详细信息，例如文本注释和伽马值。
PNG 还包含旨在改善图像在互联网上的显示和传输的几个功能。隔行扫描，特别是使用 Adam7 算法，允许图像渐进加载，这在通过较慢的互联网连接查看图像时特别有用。此技术首先显示整个图像的低质量版本，然后随着下载更多数据而逐渐提高质量。此功能不仅增强了用户体验，还为 Web 使用提供了实际优势。
与 GIF 相比，PNG 文件中的透明度处理方式更加复杂。GIF 支持简单的二进制透明度——像素要么完全透明，要么完全不透明——PNG 引入了 alpha 透明度的概念。这允许像素具有不同程度的透明度，从完全不透明到完全透明，从而实现图像和背景之间更平滑的混合和过渡。此功能对于需要在不同颜色和图案的背景上叠加图像的 Web 设计人员尤为重要。
尽管有许多优点，但 PNG 确实有一些限制。例如，在文件大小效率方面，它不是存储数字照片的最佳选择。虽然 PNG 的无损压缩确保不会损失质量，但与专门设计用于压缩照片的有损格式（如 JPEG）相比，它会导致文件大小更大。这使得 PNG 不太适合带宽或存储容量受限的应用程序。此外，PNG 本身不支持动画图像，而 GIF 和 WebP 等格式提供了此功能。
可以对 PNG 文件应用优化技术，以减小其文件大小以用于 Web，而不会影响图像质量。PNGCRUSH 和 OptiPNG 等工具采用各种策略，包括选择最有效的压缩参数并将颜色深度降低到最适合图像的级别。这些工具可以显着减小 PNG 文件的大小，使其更有效地用于 Web，其中加载时间和带宽使用是关键问题。
此外，在 PNG 文件中包含伽马校正信息可确保图像在不同设备上更一致地显示。伽马校正有助于根据显示设备的特性调整图像的亮度级别。此功能在 Web 图形中特别有价值，因为图像可以在具有不同显示属性的各种设备上查看。
PNG 的法律地位促进了其广泛接受和采用。PNG 没有专利，避免了与某些其他图像格式相关的法律复杂性和许可费用。这使其对开源项目和应用程序特别有吸引力，其中成本和法律自由是重要的考虑因素。该格式得到广泛软件的支持，包括 Web 浏览器、图像编辑程序和操作系统，促进了它集成到各种数字工作流中。
可访问性和兼容性也是 PNG 格式的关键优势。凭借其对从单色到真彩色（带有 alpha 透明度）颜色的支持，PNG 文件可用于各种应用程序，从简单的 Web 图形到高质量的印刷材料。它在不同平台和软件之间的互操作性确保了以 PNG 格式保存的图像可以轻松共享和查看，而无需担心兼容性问题。
技术进步和社区贡献不断增强 PNG 格式。APNG（动画便携式网络图形）等创新引入了对动画的支持，同时保持了与标准 PNG 查看器的向后兼容性。这种演变反映了该格式的适应性和活跃的社区为响应用户需求而扩展其功能所做的努力。此类发展确保了 PNG 在快速发展的数字环境中持续相关。
总之，PNG 图像格式已成为数字图像共享和存储中的主要格式，在质量保留和文件大小效率之间取得了平衡。它支持高色深、alpha 透明度和无损压缩的能力使其成为从 Web 设计到存档存储的广泛应用程序的通用选择。虽然它可能不是每种情况下的最佳选择，但它在质量、兼容性和法律自由方面的优势使其成为数字成像领域中宝贵的资产。
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。