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。
谷歌开发的 WEBP 图像格式确立了自己作为一种现代图像格式的地位，旨在为网络上的图像提供卓越的压缩，使网页能够在保持高质量视觉效果的同时更快地加载。这是通过使用有损和无损压缩技术实现的。有损压缩通过不可逆地消除一些图像数据来减小文件大小，特别是在人眼不太可能察觉到差异的区域，而无损压缩在不牺牲任何图像细节的情况下减小文件大小，采用数据压缩算法来消除冗余信息。
WEBP 格式的主要优点之一是它能够与 JPEG 和 PNG 等传统格式相比显著减小图像的文件大小，而不会明显损失质量。这对于旨在优化网站性能和加载时间的 Web 开发人员和内容创建者特别有益，这可以直接影响用户体验和 SEO 排名。此外，较小的图像文件意味着减少了带宽使用，这可以降低托管成本并提高数据计划有限或互联网连接较慢的用户可访问性。
WEBP 的技术基础基于 VP8 视频编解码器，它使用预测、变换和量化等技术压缩图像的 RGB（红色、绿色、蓝色）分量。预测用于根据相邻像素猜测像素的值，变换将图像数据转换为更易于压缩的格式，量化降低图像颜色的精度以减小文件大小。对于无损压缩，WEBP 使用空间预测等高级技术对图像数据进行编码，而不会丢失任何细节。
WEBP 支持广泛的功能，使其适用于各种应用程序。一个显着特点是对透明度的支持，也称为 alpha 通道，它允许图像具有可变的不透明度和透明背景。此功能对于 Web 设计和用户界面元素特别有用，其中图像需要与不同的背景无缝融合。此外，WEBP 支持动画，使其能够作为具有更好压缩和质量的动画 GIF 的替代品。这使其成为为网络创建轻量级、高质量动画内容的合适选择。
WEBP 格式的另一个重要方面是它在各种平台和浏览器上的兼容性和支持。截至我上次更新，包括 Google Chrome、Firefox 和 Microsoft Edge 在内的大多数现代 Web 浏览器都原生支持 WEBP，允许直接显示 WEBP 图像，而无需额外的软件或插件。但是，一些较旧的浏览器和某些环境可能无法完全支持它，这导致开发人员实施后备解决方案，例如向不支持 WEBP 的浏览器提供 JPEG 或 PNG 格式的图像。
为 Web 项目实施 WEBP 涉及对工作流和兼容性的一些考虑。在将图像转换为 WEBP 时，重要的是将原始文件保留为其本机格式，以用于归档目的或 WEBP 可能不是最合适的选择的情况。开发人员可以使用针对不同编程语言和环境提供的各种工具和库来自动化转换过程。这种自动化对于维护高效的工作流至关重要，特别是对于具有大量图像的项目。
在将图像转换为 WEBP 格式时的转换质量设置对于平衡文件大小和视觉保真度之间的权衡至关重要。可以调整这些设置以满足项目的特定需求，无论是优先考虑较小的文件大小以实现更快的加载时间，还是优先考虑更高质量的图像以获得视觉冲击。在不同的设备和网络条件下测试视觉质量和加载性能也很重要，确保使用 WEBP 增强了用户体验，而不会引入意外问题。
尽管有许多优点，但 WEBP 格式也面临着挑战和批评。平面设计和摄影领域的一些专业人士更喜欢在某些应用程序中提供更高色彩深度和更宽色域的格式，例如 TIFF 或 RAW。此外，将现有图像库转换为 WEBP 的过程可能非常耗时，并且不一定总是会导致文件大小或质量的显着提高，具体取决于原始图像的性质和用于转换的设置。
WEBP 格式的未来及其采用取决于所有平台的更广泛支持和压缩算法的持续改进。随着互联网技术的不断发展，对能够以最小的文件大小提供高质量视觉效果的格式的需求将持续增长。引入新格式和对现有格式（包括 WEBP）的改进对于满足这些需求至关重要。正在进行的开发工作有望提高压缩效率、质量以及新功能的集成，例如对高动态范围 (HDR) 图像和扩展色域的改进支持。
总之，WEBP 图像格式代表了 Web 图像优化方面的重大进步，在文件大小减小和视觉质量之间取得了平衡。它的多功能性，包括对透明度和动画的支持，使其成为现代 Web 应用程序的综合解决方案。但是，向 WEBP 的过渡需要仔细考虑兼容性、工作流和每个项目的特定需求。随着网络的不断发展，像 WEBP 这样的格式在塑造在线媒体的未来、推动更好的性能、增强的质量和改进的用户体验方面发挥着至关重要的作用。
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。