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。
便携式任意图 (PNM) 格式是一种简单的图像文件格式，旨在简化不同平台之间图像数据的交换。它是一个总称，指的是 Netpbm（便携式位图、便携式灰度图、便携式像素图）下的一个格式系列，每个格式都针对特定类型的图像而设计。PNM 格式的优点在于其简单性和直接的图像表示，它使用 ASCII 或二进制数据存储图像像素，使其非常容易通过编程进行读写，而无需复杂的解析库或工具。
PNM 文件根据其编码分为两大类：ASCII（纯文本）格式，由位图、灰度图和像素图的魔数“P1”、“P2”和“P3”指定；以及二进制（原始）格式，由魔数“P4”、“P5”和“P6”表示。ASCII 格式更易于人类阅读和解析，但与二进制格式相比，在文件大小和处理速度方面效率较低，后者更适合性能和存储效率至关重要的实际应用。
每个 PNM 文件都以一个头文件开头，其中包括一个魔数，表示图像的类型（PBM、PGM、PPM），后跟空格、图像的尺寸（宽度和高度，由空格分隔），以及对于 PGM 和 PPM 文件，最大颜色值（再次后跟空格），表示颜色深度。头文件很简单，但它包含了解释文件其余部分所需的所有基本信息，其余部分由像素数据组成。
PNM 文件中的像素数据根据其类型以不同的方式存储。对于 PBM 文件，每个像素表示为一个二进制值（0 或 1），表示黑色或白色。PGM 文件将每个像素存储为灰度值，通常从 0（黑色）到指定的最大值（白色）。PPM 文件是彩色图像，将每个像素存储为三个单独的值（红色、绿色和蓝色），每个值从 0 到指定的最大值。在 ASCII 格式中，这些值表示为由空格分隔的 ASCII 数字，而在二进制格式中，它们存储为二进制数字，从而实现更紧凑的表示。
PNM 格式的一个独特特点是其可扩展性和易于修改。由于其简单的结构，开发人员可以相对容易地创建操作 PNM 文件的程序。例如，可以在不同的 PNM 格式之间进行转换、更改图像尺寸或更改颜色深度，这可以通过简单的编程技术来实现。这使得 PNM 格式成为教育目的的绝佳选择，在教育目的中需要了解数字成像和编程的基础知识。
尽管在简单性和可扩展性方面具有优势，但 PNM 格式也存在明显的局限性。缺乏对元数据（如 EXIF（可交换图像文件格式）数据）的支持，其中包含来自相机的设置，如光圈、曝光时间和 ISO 速度，限制了 PNM 在专业摄影和严重依赖元数据的现代应用中的实用性。此外，PNM 文件中没有压缩机制，导致文件大小比 JPEG 或 PNG 等格式更大，后者采用复杂的算法来高效存储图像数据。
为了减轻其中一些缺点，已经开发了源自 Netpbm 系列的高级格式，例如便携式任意图 (PAM)。PAM 被设计为 PNM 的更灵活、更现代的替代品，允许更多样化的颜色深度和通道，包括透明度。PAM 文件使用魔数“P7”，并引入附加的头文件字段以适应这些增强功能。然而，即使有了这些改进，PAM 和 PNM 格式在教育和一些专门应用之外的使用也很有限。
PNM 格式的重要性不容小觑，尽管它有其局限性，尤其是在教育和软件开发的背景下。对于初学者来说，该格式作为进入数字成像世界的切入点，在继续学习更复杂的主题之前，理解基本概念至关重要。它提供了一种动手学习像素、图像处理和文件格式基础的 方法，而不会陷入更高级格式中压缩算法和元数据处理的复杂性。
从软件开发的角度来看，PNM 文件在图像处理管道中充当一个出色的中间格式。由于其简单性，将图像从 PNM 转换为 PNM 是一项简单的任务，使其非常适合不需要复杂操作的处理的初始阶段。这种互操作性还促进了图像处理算法的测试和调试，因为开发人员可以轻松检查和修改 PNM 文件，而无需专门的工具。
有趣的是，PNM 格式还在某些科学和研究领域找到了利基，在这些领域中，对单个像素的控制至关重要，而复杂文件格式的额外开销不受欢迎。这在计算机视觉、模式识别和机器学习等领域尤其如此，这些领域强调图像数据的操作和分析，而不是图像的存储或显示效率。在这些领域，PNM 文件中像素的直接表示可以极大地简化算法的开发和测试。
此外，PNM 格式的开放性和简单性激发了开源社区中众多小型专门实用程序和工具的开发。这些工具满足了广泛的需求，从简单的图像转换到更专门的任务，如图像分析、过滤和转换。轻松扩展和调整这些工具的能力有助于 PNM 格式在特定背景下的持续相关性和实用性，即使更复杂的图像格式已成为普遍使用。
然而，同样重要的是要认识到，随着数字成像技术的进步，PNM 格式在主流应用中的相关性正在不断下降。对高分辨率图像、复杂色彩管理和高效压缩以节省存储空间和传输时间的需求不断增长，这意味着 JPEG、PNG 和 WebP 等格式通常是 Web 开发人员、摄影师和普通用户的更合适选择。尽管如此，PNM 格式的遗产，尤其是它对简单性和可访问性的强调，继续影响着新图像格式和处理工具的开发。
虽然 PNM 格式可能不是许多现代应用程序的首选，但它对数字成像和教育领域的贡献不容忽视。它提醒我们理解技术基本概念的重要性以及设计中简单性的价值。随着新技术的出现和数字领域的不断发展，从使用 PNM 格式中学到的经验教训将继续与教育工作者、学生和开发人员相关，为理解和开发更复杂的系统奠定基础。
总之，PNM 图像格式代表了数字成像技术发展中的一个重要篇章。它的简单性和灵活性使其成为一种宝贵的教育工具和一种适用于特定应用程序和软件开发任务的有用格式。尽管在压缩、色彩管理和元数据支持方面存在局限性，但 PNM 格式已经开辟了一个利基市场，它继续发挥作用，展示了直接、可访问设计的持久价值。随着我们向前迈进，PNM 格式所体现的原则无疑将继续影响数字成像领域及其他领域。
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。