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。
PNG64 图像格式作为广泛认可的便携式网络图形 (PNG) 格式的增强版本，旨在满足数字成像中对更高色彩深度和增强透明度功能的需求。此高级版本通过支持 64 位色彩深度扩展了传统 PNG 的功能，本质上为红色、绿色、蓝色每个通道包含 16 位，并为 Alpha 透明度通道额外包含 16 位。这一基本增强开启了图像质量的新时代，允许超过 281 万亿种颜色，从而确保图像以无与伦比的精度和鲜艳度呈现。
PNG64 格式的诞生可以追溯到对各种应用程序中数字图像更高保真度的需求不断增长，包括数字艺术、专业摄影和高清图形设计。传统的图像格式（如 JPEG 或标准 PNG）在色彩深度上受到限制，通常每个通道限制在 8 位或 16 位，这可能导致渐变中的条带和高对比度场景中细节捕捉不足。PNG64 通过显着增加图像中可以编码的颜色和细节范围来解决这些限制，使其成为寻求最高质量的专业人士的宝贵工具。
从本质上讲，PNG64 格式保持了其前身的结构完整性和功能，利用了相同的无损压缩算法，确保保存时图像质量不会损失。这对于归档目的和精度至上的行业（如数字归档和科学成像）尤为重要。PNG64 的无损特性意味着，尽管其保真度更高，但图像可以压缩到可管理的大小，而不会牺牲任何细节，使其成为离线和在线使用的实用选择。
PNG64 中增强的 Alpha 透明度通道代表了渲染半透明和透明物体的重大飞跃。PNG64 专门为透明度分 配了 16 位，允许更平滑的不透明度级别渐变，从完全透明到完全不透明。此功能在图形设计中特别有益，其中细微的透明度效果会显著影响视觉呈现，以及在 Web 设计中，其中图标和界面元素通常需要精确的透明度才能与各种背景无缝融合。
采用 PNG64 需要考虑某些因素，特别是文件大小和兼容性。鉴于扩展的颜色和透明度深度，PNG64 文件本质上比其 PNG 对应文件更大。这会对 Web 使用产生影响，其中加载时间和带宽使用是关键因素。因此，建议谨慎使用 PNG64，将其保留在图像质量优先于文件大小的情况下。此外，与不支持每个通道 16 位的较旧软件或系统兼容可能会带来挑战，需要检查最终用户环境以确保无缝体验。
PNG64 的技术基础植根于其文件结构，该结构与标准 PNG 文件的文件结构非常相似。PNG64 文件包含一个头文件，其中包含有关图像的关键信息，例如其尺寸和位深度，然后是几个存储实际图像数据和元数据的块。PNG64 中增加的位深度需要对这些块进行修改，使它们能够容纳 64 位彩色图像所需的大量数据。其中，图像头 (IHDR) 块起着至关重要的作用，因为它必须正确地为每个通道发出 16 位深度信号，以确保正确解码和显示。
PNG64 中的压缩仍然是其最令人印象深刻的功能之一，它采用了标准 PNG 文件使用的相同 DEFLATE 算法。尽管数据量增加，但此算法通过识别和消除图像数据中的冗余来有效地减小文件大小。但是，压缩的有效性可能会因图像内容而异；具有大面积均匀颜色或简单图案的图像往往可以更有效地压缩。这种固有的可变性强调了在选择 PNG64 时考虑图像性质的重要性，因为具有高颜色变化的复杂图像可能会导致更大的文件大小。
PNG64 图像的创建和处理需要能够处理此格式固有高级功能的特定 软件。许多高端图像编辑和图形软件已更新以支持 PNG64，使用户能够直接使用此格式。这包括调整位深度、管理颜色配置文件和微调透明度设置等功能。对于开发人员来说，libpng 等库已扩展为包括对 PNG64 的支持，促进了此格式与应用程序和服务的集成。
PNG64 的一个关键应用是在数码摄影中，其中捕捉光线中最大范围的颜色和细微差别至关重要。摄影师可以受益于该格式保持原始场景完整性的能力，微妙的色调和渐变以惊人的细节保留。这使得 PNG64 成为存储照片母版副本的理想选择，它提供了一个可以准确复制或修改的数字底片，而不会降低质量。
在数字艺术和图形设计领域，PNG64 的深色和透明度功能开辟了新的创作可能性。艺术家可以使用更广泛的调色板和微妙的透明度效果，这在复杂构图或使用各种混合模式时尤其重要。增强的细节和颜色特异性也使 PNG64 适用于专业印刷场景，其中复制艺术品的真实颜色和纹理至关重要。
尽管有许多优点，但 PNG64 并非没有挑战，尤其是在性能和存储方面。与 PNG64 图像关联的较大文件大小可能会给存储解决方案带来压力并减慢图像处理速度，尤其是在资源有限的环境中。此外，处理 64 位颜色数据的复杂性增加对硬件和软件提出了更高的要求，可能会限制在低规格设备中使用 PNG64 并影响整体系统性能。
PNG64 在数字成像领域的未来看起来很有希望，压缩算法和处理硬件的持续改进逐渐减轻了与文件大小和性能相关的问题。随着技术的进步，质量和效率之间的权衡预计会减少，使 PNG64 更容易获得并吸引更广泛的应用程序。此外，视觉保真度在数字内容创作和消费中的重要性日益增加，这凸显了 PNG64 格式的持续相关性和潜在扩展。
总之，PNG64 图像格式代表了数字成 像技术的一项重大进步，提供了前所未有的色彩深度和透明度控制。它以非凡的细节和鲜艳度渲染图像的能力使其成为专业人士和爱好者的引人注目的选择。虽然该格式在文件大小、兼容性和性能方面提出了挑战，但它在图像质量方面提供的优势是无与伦比的。随着数字成像行业不断发展，PNG64 证明了对视觉表现完美的不懈追求，有望在数字艺术、摄影和图形设计的未来发挥至关重要的作用。
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。