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。
VST（Versatile STorage）图像格式虽然不如 JPEG 或 PNG 等格式广为人知，但它代表了数字成像领域的一项重大技术创新。VST 格式旨在提供具有高效压缩的高质量图像，在图像保真度、压缩效率以及在各种平台和设备上的通用性之间取得平衡。这篇详细的说明旨在揭示 VST 图像格式的技术复杂性、优势和潜在应用，有助于更深入地了解其在数字成像领域中的作用和潜力。
VST 图像格式的基础在于其独特的压缩方法，该方法在一个单一的框架内采用了无损和有损技术。与完全采用无损或有损压缩的传统格式不同，VST 根据图像内容和指定的用户偏好动态调整其压缩方法。这种适应性使其能够保持关键图像细节的高保真度，同时还能显著减小文件大小，这种平衡是其通用性和吸引力的关键。
VST 压缩算法的核心是“自适应分割”的概念。图像根据颜色和纹理的相似性划分为多个段，每个段都经过量身定制的压缩过程。包含高度详细的信息（如文本或精细图案）的段采用无损压缩来保持清晰度。相比之下，具有更平滑渐变或较少细节的区域可能会采用有损压缩，在对感知图像质量影响最小的前提下显著减小文件大小。此分割过程针对每幅图像进行动态优化，确保高效压缩，而无需采用一刀切的方法。
VST 格式的另一个标志是它支持高动态范围 (HDR) 成像。随着数字成像和显示技术的不断发展，对更宽色域和更大亮度范围的需求变得越来越普遍。VST 通过固有支持 HDR 内容来满足这一需求，从而可以表示更广泛的色彩范围和更锐利的对比度。此功能使 VST 特别适用于专业摄影、电影摄影以及色彩准确性和细节至关重要的任何应用。
除了出色的压缩和 HDR 支持之外，VST 格式还设计有强大的元数据处理功能。它可以在图像数据旁边存储大量信息，包括版权信息、相机设置、地理标记，甚至可以针对特定应用（如增强现实）定制的复杂数据结构。这种广泛的元数据支持不仅增强了 VST 图像的实用性和可管理性，还为其在各种数字媒体中的应用开辟了新途径。
互操作性和易用性也是影响 VST 图像格式发展的关键考虑因素。在数字内容可以在各种设备和平台上访问的世界中，对通用兼容图像格式的需求从未如此之大。VST 的设计者优先考虑了这一要求，确保该格式得到主要操作系统、网络浏览器和照片编辑软件的支持。这种广泛的兼容性是通过开放标准和提供公共领域软件库来实现的，这些软件库有助于将 VST 处理功能集成到现有的软件生态系统中。
此外，VST 图像格式还包含渐进加载和多分辨率支持等高级功能。渐进加载允许在更多数据可用时以越来越高的细节级别显示图像，这对于带宽可能受限的网络应用特别有益。另一方面，多分辨率支持可以在单个文件中以不同分辨率存储图像的多个版本。此功能对于针对从高清显示器到手机屏幕的各种显示分辨率的应用非常宝贵，确保在所有平台上获得最佳观看体验。
在安全性和数据完整性方面，VST 格式包含多项措施来保护图像数据和关联元数据。可以应用加密技术来保护敏感信息，而校验和和数字签名则确保图像内容的完整性和真实性。这些安全功能对于机密性和数据保护至关重要的应用（如医学成像或安全文档传 输）至关重要。
采用挑战和市场渗透是 VST 图像格式的重要考虑因素。尽管有技术优势，但任何数字格式的成功在很大程度上取决于软件开发人员和最终用户的采用。最初的挑战在于鼓励开发人员将 VST 支持集成到他们的应用程序中，这通常涉及克服惯性和既定格式的主导地位。对于最终用户，必须清楚地传达和展示 VST 的好处，突出其在不同用例中的卓越压缩、HDR 功能和通用性。
展望未来，VST 图像格式的演变似乎很有希望，在压缩算法、人工智能 (AI) 集成甚至更广泛的元数据支持方面都有潜在的进步。压缩方面的改进可以在不牺牲图像质量的情况下进一步减小文件大小，使 VST 成为大容量存储和网络应用更具吸引力的选择。AI 的集成可以增强图像处理和优化，基于内容识别实现更智能的分割和压缩决策。扩展元数据功能可以实现更复杂的标记和分类，促进高级搜索和组织功能。
总之，VST 图像格式代表了数字成像向前迈出的重要一步，将高质量图像表示与高效压缩、通用性和前瞻性功能（如 HDR 支持和强大的元数据处理）相结合。虽然其广泛采用仍面临挑战，但 VST 的潜在优势和应用非常广泛。随着数字成像技术不断进步，对能够巧妙平衡质量、大小和实用性的格式的需求只会不断增长。在这方面，VST 具有相当大的潜力，有可能重塑数字成像领域，适用于从网络到专业摄影及其他领域的广泛应用。
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。