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。
VICAR（视频图像通信和检索）图像格式是一种主要用于存储科学任务（包括与行星探索、天文学和其他太空科学领域相关的任务）的图像数据的文件格式。VICAR 由美国国家航空航天局喷气推进实验室 (JPL) 于 20 世纪 60 年代开发，旨在促进从航天器和其他来源收集的大量成像数据的存储、通信和处理。与 JPEG 或 PNG 等更常见的图像格式不同，VICAR 格式经过专门设计，以满足科学界的特定需求，为处理研究和探索活动中遇到的复杂图像数据提供了一个强大的框架。
VICAR 文件的结构大致可分为三个主要部分：标签区、图像数据区和可选的 EOL（行尾）标签区。标签区包含有关图像数据的元数据，包括但不限于图像的尺寸、像素的数据类型、获取图像的航天器或仪器的名称以及对图像执行的任何处理。此元数据以人类可读的 ASCII 格式存储，使研究人员无需专门软件即可轻松理解和修改文件的内容。
VICAR 文件的图像数据区包含图像的原始或处理后的像素值。VICAR 支持图像像素的多种数据类型，包括 8 位和 16 位整数、32 位浮点数等。这种灵活性使该格式能够满足科学研究中发现的各种成像要求，例如捕获详细的亮度数据或精确测量物理现象的需要。此外，该格式支持多维图像，不仅可以存储传统的 2D 图像，还可以存储 3D 体积数据和时间序列数据。
VICAR 图像格式的一个重要特性是对可选 EOL（行尾）标签的支持。这些 EOL 标签附加到每 行图像数据，并且可以包含特定于该行的附加元数据。此特性在实时传输图像数据的情况下特别有用，因为它允许包含特定于图像每行的遥测或状态信息。此外，EOL 标签的存在可以通过为每行数据提供上下文来促进错误检测和纠正机制。
VICAR 格式的一个主要优势是其可扩展性。该格式的设计方式是可以在不中断读取 VICAR 文件的现有工具或库的情况下将新字段添加到标签区。这种可扩展性确保该格式可以演变以满足新的科学需求和挑战，而不会牺牲向后兼容性。此外，标签区的开放性允许研究人员包含与特定任务或实验相关的自定义元数据，从而增强该格式在不同科学领域的实用性。
VICAR 文件通常使用美国国家航空航天局和其他参与科学研究的组织开发的专门软件进行处理和分析。这些工具能够处理从 VICAR 图像中提取有意义信息所需的复杂操作，例如图像重建、几何校正、辐射校准等。此外，还提供了软件库，允许开发人员将 VICAR 文件处理功能集成到自定义应用程序中，从而促进为特定研究需求开发定制解决方案。
尽管具有显着的优势，但 VICAR 图像格式的使用主要限于科学界和某些专门的应用程序。这种有限的采用主要是由于其特性的特殊性和其结构的复杂性，这些特性和结构经过专门设计以满足科学成像的独特要求。然而，对于从事空间探索、行星科学和天体物理学等领域的研究人员和科学家来说，VICAR 格式是一个无价的工具，它提供了精度、灵活性以及管理复杂图像数据的全面框架。
VICAR 图像格式的开发和维护突出了美国国家航空航天局喷气推进实验室与更广泛的科学界之间的合作努力。随着空间探索任务的复杂性和规模不断增长，拥有一个通用且强大的图像格式的重要性变得越来越明显。通过 对 VICAR 格式的改进和支持工具的开发，研究人员可以继续依赖此格式来捕获和分析这些任务生成的大量图像数据。
多年来，标准的重要性在科学界得到了越来越多的认可。VICAR 格式以其有据可查的结构和适应性，成为标准化数据格式在促进科学研究中发挥关键作用的一个主要示例。通过确保不同任务和研究项目之间的一致性和兼容性，像 VICAR 这样的标准使科学家能够更有效地共享、比较和分析数据。
展望未来，VICAR 图像格式的未来可能会受到科学界不断变化的需求和成像技术进步的影响。随着新传感器和仪器的开发，产生更高分辨率的图像和不同类型的数据，VICAR 格式可能会进一步增强以适应这些创新。此外，将人工智能和机器学习技术集成到图像分析过程中可以成为催化剂，使 VICAR 格式能够支持新的数据类型和分析方法。
总之，VICAR 图像格式在科学界（特别是在空间探索和行星科学领域）的图像数据存储和分析中发挥着至关重要的作用。其灵活且可扩展的结构，加上对各种数据类型和维度的强大支持，使其成为研究人员的强大工具。随着科学成像领域的不断发展，VICAR 格式的适应性确保它将继续与未来探索和研究计划生成的大量数据保持相关性和价值。
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。