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。
标记图像文件格式 (TIFF) 是一种用于存储图像数据的通用、灵活的格式。TIFF 由 Aldus Corporation（现为 Adobe Systems 的一部分）于 1980 年代中期开发，旨在弥合专有图像格式之间的差距，为图像存储提供一个适应性强且详细的框架。与更简单的图像格式不同，TIFF 能够存储高分辨率、多层图像，使其成为摄影、出版和地理空间图像等领域的专业人士的首选。
TIFF 格式的核心是容器式的，能够容纳各种类型的图像编码，包括但不限于 JPEG、LZW、PackBits 和原始未压缩数据。这种灵活性是一项关键功能，因为它允许 TIFF 图像针对不同的需求进行高度优化，无论是保留最高图像质量还是减小文件大小以方便共享。
TIFF 的一个显着特征是其结构，它遵循标签的基本原理。每个 TIFF 文件由一个或多个目录组成，通常称为 IFD（图像文件目录），其中包含图像元数据、图像数据本身以及其他可能的子文件。每个 IFD 都包含一个已定义的条目列表；每个条目都是一个标签，指定文件的不同属性，例如图像尺寸、压缩类型和颜色信息。这种标签结构使 TIFF 文件能够处理各种图像类型和数据，使其极其通用。
TIFF 的优势之一是对各种色彩空间和色彩模型的支持，包括 RGB、CMYK、LAB 等，允许在众多专业和创意应用程序中准确表示颜色。此外，TIFF 可以支持多种颜色深度，从 1 位（黑白）到 32 位（及更高）真彩色图像。这种颜色深度支持与处理 alpha 通 道（用于透明度）的能力相结合，使 TIFF 成为高质量图像再现的理想格式。
TIFF 还为元数据提供了强大的支持，其中可以包括版权信息、时间戳、GPS 数据等等。这是通过利用 IPTC（国际新闻电信委员会）、EXIF（可交换图像文件格式）和 XMP（可扩展元数据平台）标准来实现的。如此全面的元数据功能对于编目、搜索和管理大型图像库非常宝贵，尤其是在详细了解每张图像的信息至关重要的专业环境中。
TIFF 的另一个值得注意的功能是它能够在单个文件中处理多个图像和页面，这一特性称为多页支持。这使得 TIFF 特别适用于扫描文档、传真文档和故事板应用程序，其中将相关图像合并到单个文件中可以极大地简化工作流和文件管理。
尽管 TIFF 有很多优点，但其复杂性和灵活性可能会导致兼容性问题。并非所有 TIFF 文件都是平等创建的，也并非所有软件都能处理所有可能的 TIFF 变体。这导致了子集的出现，例如 TIFF/EP（电子摄影），它旨在为数码相机图像标准化格式，以及 TIFF/IT（信息技术），它针对出版行业的需要。这些子集旨在确保文件符合特定配置文件，从而增强不同平台和应用程序之间的互操作性。
压缩是 TIFF 的另一个重要方面，因为该格式支持无损和有损压缩方案。无损压缩，例如 LZW（Lempel-Ziv-Welch）和 Deflate（类似于 ZIP），适用于保留原始图像质量至关重要的应用程序。有损压缩，例如 JPEG，可能在文件大小比完美保真度更重要时使用。虽然 TIFF 在压缩方面的灵活性是一个优势，但它也要求用户了解选择压缩方法所涉及的权衡。
TIFF 的一个更技术性的方面是它的文件头，其中包含有关文件的重要信息，包括文件中使用的字节顺序。TIFF 支持大端（摩托罗拉）和小端（英特尔）字节顺序，并且头部的头几个字节指示使用哪一个，确保 TIFF 文件可以在不同的系统和架构上正确读取。此外，头指定到第一个 IFD 的偏移量，实质上指向图像数据和元数据开始的位置，这是读取文件的一个关键方面。
处理具有高动态范围 (HDR) 的图像也是 TIFF 擅长的另一个领域。通过对像素数据使用浮点值，TIFF 文件可以表示比标准图像格式更宽的亮度和颜色值范围，以满足特殊效果、数字电影和专业摄影等行业的需求，这些行业需要如此高质量的图像捕获和再现。
尽管 TIFF 格式在专业领域具有通用性和广泛的应用，但它也并非没有批评。使 TIFF 如此强大的灵活性也增加了其复杂性，如果没有专门的软件或对其错综复杂的透彻理解，就很难使用它。此外，TIFF 图像的文件大小可能相当大，尤其是在处理未压缩图像数据或高分辨率图像时，从而导致存储和传输方面的挑战。
多年来，人们一直在努力进一步增强 TIFF 的功能，同时解决其局限性。例如，BigTIFF 是原始 TIFF 规范的扩展，允许文件大于 4 GB，解决了处理极高分辨率或详细图像的需求，这些图像超出了标准 TIFF 文件的限制。这种演变反映了 TIFF 正在持续开发和适应，以满足不断发展的技术和新兴应用的需求。
总之，标记图像文件格式 (TIFF) 证明了数字图像存储不断变化的需求和挑战，平衡了灵活性和复杂性。它封装详细图像数据和元数据、支持不同的压缩方案以及适应各种专业设置的能力使其成为一种持久耐用的格式。然而，驾驭其复杂性需要对它的结构和功能有深入的了解。随着数字成像技术不断进步，TIFF 格式可能会不断发展，在专业和创意领域保持其相关性和实用性。
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。