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。
PNG24 图像格式，也通常称为真彩色 PNG，是一种广泛使用的无损格式，用于存储图像。作为可移植网络图形 (PNG) 规范的一部分进行定义，它因能够在压缩过程中不牺牲质量的情况下显示具有极佳色彩深度的图像而获得了相当大的欢迎。与 JPEG 等利用有损压缩技术导致保存时质量下降的对应格式不同，PNG24 无论文件保存或压缩多少次，都能保持原始图像质量。
PNG24 格式的名称源自其每像素存储 24 位颜色信息的能力。这是通过为三种原色（红色、绿色和蓝色 (RGB)）中的每一种分配 8 位或一个字节来实现的。此配置允许广泛的颜色表示，具体来说，它能够显示多达 1670 万种不同的颜色。如此宽广的色彩范围使 PNG24 成为高质量图像的理想选择，包括照片、数字艺术和具有渐变的图形。
PNG24 的一个决定性特征是其无损压缩算法。PNG 利用称为 DEFLATE 的方法，该方法结合了 LZ77 算法和霍夫曼编码。此方法有效地减小了文件大小，而不会损失任何图像质量，使其非常适合在线图像共享和存储。压缩不会丢弃任何数据；相反，它识别图像数据中的重复模式和结构，并以更紧凑的方式对这些信息进行编码。
透明度是 PNG24 格式的另一个重要特征。与仅支持单一透明度级别（开或关）的 GIF 不同，PNG24 通过其 alpha 通道支持 256 个透明度级别。PNG24 图像中的每个像素都可以具有从完全不透明到完全透明的单独透明度级别 。此功能对于在不同背景上叠加图像、创建柔和边缘以及构建复杂的图形界面非常有用，而无需在图像中进行额外的遮罩。
PNG24 图像还支持称为伽马校正的功能。这允许图像在不同的显示设备上保持一致的亮度和色彩。伽马校正通过根据预定义的伽马值调整图像的亮度来工作，这有助于补偿不同显示器的不同伽马响应。这确保了在某台显示器上编辑的图像在另一台显示器上查看时看起来相似，这是摄影师和图形设计师的关键方面。
隔行扫描是 PNG24 中的一项可选功能，它允许在 Web 浏览器中渐进显示图像。这对于慢速互联网连接特别有用，用户可以在图像仍在加载时看到低分辨率版本的图像，从而改善用户体验。PNG 使用 Adam7 算法，这是一种七遍隔行扫描方案，它随着每次扫描逐渐增加图像的细节。这与非隔行扫描格式形成对比，在非隔行扫描格式中，图像从上到下逐行显示。
在实现和支持方面，PNG24 在现代 Web 浏览器、图像编辑软件和各种操作系统中都得到了很好的支持。这种广泛的支持部分归功于该格式的开放标准，该标准作为 GIF 的无专利替代品而开发。PNG 规范（包括 PNG24）由万维网联盟 (W3C) 维护，确保其持续发展并与 Web 标准兼容。
尽管有许多优点，但 PNG24 格式也并非没有缺点。主要问题之一是文件大小；由于其无损压缩和高色彩深度，PNG24 文件通常比其 JPEG 对应文件更大。更大的文件大小会导致网站加载时间更长并使用更多带宽。因此，对于 Web 使用，平衡质量需求和速度需求至关重要，在某些情况下，采用 JPEG 等有损压缩的格式可能更合适。
此外，虽然 PNG24 的宽广色彩范围有利于高质量图像，但对于颜色有限的简单图形来说可能没有必要。在这种情况下，色彩深度较低的格式（如支持 256 种颜色的 PNG8）可能更合适。根据图像内容选择合适的格式可以显着减小文件大小，而不会影响预期用途的视觉质量。
除了标准 PNG24 格式外，还有一个称为 PNG32 的变体。区别在于除了红色、绿色和蓝色的现有 24 位外，还添加了一个 8 位 alpha 通道，从而每个像素总共为 32 位。将 alpha 通道直接合并到格式中可以对透明度进行更大的控制，从而使 PNG32 更适合需要复杂透明效果的图像。
可以使用各种工具和软件应用程序创建和处理 PNG24 文件。大多数图像编辑软件（如 Adobe Photoshop、GIMP 等）都支持 PNG24，允许用户直接以这种格式保存他们的作品。此外，还有各种在线和离线工具可用于优化 PNG24 文件以供 Web 使用，进一步压缩文件而不损失质量。这些工具通常采用更激进的策略来减小文件大小，例如将调色板减少到必要的最小值或调整压缩设置。
考虑到技术细节，PNG24 的编码过程涉及多个步骤，包括旨在提高压缩效率的过滤。在实际压缩之前，编码器可以将五种滤波方法之一应用于每条图像线，以将图像数据转换为更易于压缩的形式。此预处理步骤会显著影响文件的最终大小，并且根据图像的特征选择正确的滤波方法可以实现更有效的压缩。
PNG24 文件的另一个重要方面是它们基于块的结构。PNG 文件由多个块组成，每个块都有不同的用途，例如存储图像数据、元数据、颜色配置文件等。这种模块化方法不仅促进了图像的有效处理和渲染，而且还可以在不破坏现有数据结构的情况下包含附加信息。例如，可以将版权和许可信息直接嵌入到文件中，从而增强数字资产的保护和管理。
PNG24 文件中也考虑了可访问性和国际化。文本信息（例如描述和注释）可以存储在文件文本块中的多种语言中。此功能通过使创建者能够包含本地化信息和元数据，从而使 PNG24 适用于全球分发，从而使图像更易于不同受众访问和理解。
总之，PNG24 图像格式是一种强大且多功能的选择，用于存储和共享高质量图像。它与广泛颜色的兼容性、对透明度的支持以及无损压缩使其成为 Web 和印刷媒体的极具吸引力的选择。然而，其相对较大的文件大小和在简单图形中过度使用的可能性突出了根据项目的特定需求选择适当格式的重要性。随着技术和 Web 标准的不断发展，PNG24 仍然是数字图像领域的关键参与者，因其灵活性和质量而备受推崇。
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。