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。
SUN 图像格式是一种专门的文件格式，旨在高效存储和传输高分辨率、高保真图像。与 JPEG、PNG 或 TIFF 等更常见的图像格式不同，SUN 格式专为需要精确色彩表现和细节保留的场景而设计，通常用于专业摄影、数字艺术和科学成像。本深入技术说明将深入探讨 SUN 格式的结构、压缩技术、色彩管理及其在各种应用中的比较优势和劣势。
SUN 图像格式的核心是一个强大、适应性强的结构，能够处理从灰度到全彩色图像的各种图像类型，包括对 sRGB、Adobe RGB 和 ProPhoto RGB 等各种色彩空间的支持。这种适应性使 SUN 文件能够在不同的设备和观看条件下保持色彩准确性和图像质量，这是对色彩至关重要的应用程序的关键要求。每个 SUN 文件都封装了有关图像的元数据，包括色彩配置文件，以确保一致的色彩呈现。
SUN 格式采用了一种先进的无损压缩算法，既高效又确保图像质量不损失。与 JPEG 等格式中使用的有损压缩算法不同，有损压缩算法为了减小文件大小而牺牲细节，而 SUN 的无损压缩则保持每个像素的数据完整。这对于图像细节和保真度不能妥协的应用程序尤为重要，例如数字存档、医学成像和技术插图，其中每个细节都可能承载重要信息。
此外，SUN 格式在设计时考虑了可扩展性，支持几乎任何尺寸的图像，从小型图标到大型全景图。这是通过其高效的压缩算法和对平铺图像存储的支持相结合来实现的，允许将大图像分成较小的、可管 理的部分。此平铺功能不仅可以加快加载时间和更有效地使用内存，而且还使 SUN 格式特别适合于网络应用程序和大格式打印，其中高分辨率至关重要。
SUN 格式中的色彩管理系统 (CMS) 是其另一项突出功能。凭借对不同色彩空间和色彩配置文件的全面支持，存储在 SUN 格式中的图像可以在各种设备上准确再现，从显示器到打印机。这种通用的色彩管理确保您在一种设备上看到的颜色与在另一种设备上看到的颜色非常匹配，假设两者都已正确校准。对于平面设计、摄影和数字媒体领域的专业人士来说，这种可靠的色彩一致性非常宝贵。
然而，使用 SUN 格式图像面临的挑战之一是其文件大小。尽管其无损压缩算法很有效，但它产生的高保真图像本质上比使用有损压缩的图像更大。这可能导致存储需求增加和传输时间变慢，特别是对于在线应用程序或带宽受限的情况。尽管如此，对于专业用例，无与伦比的图像质量和色彩保真的好处通常超过了这些缺点。
SUN 格式值得一提的另一个方面是对扩展动态范围和位深的支持。与只能表示每种原色的 256 种色调的标准 8 位图像不同，SUN 格式支持每个通道高达 16 位的深度，允许每种颜色超过 65,000 种色调。这种扩展的动态范围可以实现更详细的阴影、高光和更平滑的色彩渐变，使该格式特别适用于高端摄影和电影视觉效果，其中此类细微差别至关重要。
SUN 格式的扩展功能还包括对嵌入式 Alpha 通道的支持，支持具有可变透明度和柔和边缘的复杂图像合成。此功能在平面设计和数字艺术中特别有用，其中可能需要分层图像或以精确度叠加文本。SUN 文件中的 Alpha 通道支持简化了这些操作，无需额外的遮罩或单独的透明度数据，从而简化了工作流程。
在技术层面上，SUN 格式 文件结构包含一个头部分，其中包含有关图像的元数据，例如尺寸、色彩空间、位深度和压缩详细信息。在头部分之后，文件分为代表图像数据的段，对于大图像，可以选择将其组织成平铺。这种分段不仅有助于高效的数据管理，还有助于并行处理和渲染，当处理非常大的图像或在资源受限的环境中时，这是一个显着的优势。
SUN 格式更具创新性的功能之一是其对不同工作流程和用例的适应性。通过可自定义的元数据字段，SUN 文件可以携带超出基本图像数据的大量信息。这可以包括版权信息、相机设置、地理标签，甚至特定于应用程序的数据。这种灵活性使 SUN 格式异常通用，可以满足各个行业和创意实践的需求。
尽管 SUN 格式有很多优点，但与更成熟的图像格式相比，其采用率仍然有些有限。这在很大程度上是由于需要专门的软件来创建和查看 SUN 文件，以及在更广泛的社区中缺乏认识。然而，随着对高质量视觉内容和准确色彩表现的需求不断增加，SUN 格式正在专业摄影师、数字艺术家和具有特定成像需求的组织中获得关注。
将图像转换为 SUN 格式和从 SUN 格式转换图像的过程需要注重细节，以维护图像完整性。为此通常使用专门的软件或插件，提供微调压缩设置、管理色彩配置文件以及根据需要调整图像尺寸或位深度的选项。这使用户能够在文件大小和图像质量之间找到适合其特定需求的平衡，考虑到该格式容易产生较大的文件大小，这是一个至关重要的考虑因素。
总之，SUN 图像格式代表了数字成像技术的一项重大进步，旨在满足专业和科学界对最高水平的图像质量、色彩准确性和细节保留的需求。虽然它带来了与文件大小和专门软件要求相关的挑战，但它在图像保真度、色彩一致性和可扩展性方面 的优势使其成为许多应用程序的引人注目的选择。随着数字成像技术不断发展，SUN 格式在专业、科学和艺术领域的应用可能会不断增长，成为对图像质量要求最高的人的关键工具。
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。