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。
YCbCrA 是一种色彩空间和图像格式，通常用于数字视频和图像压缩。它将亮度（明暗）信息与色度（颜色）信息分离，允许它们独立压缩以实现更有效的编码。YCbCrA 色彩空间是 YCbCr 色彩空间的一种变体，它添加了一个用于透明度的 Alpha 通道。
在 YCbCrA 色彩空间中，Y 表示亮度分量，即像素的明暗或强度。它是根据人眼如何感知亮度来计算的，是红色、绿色和蓝色分量的加权和。权重被选为近似于亮度函数，该函数描述了人类视觉感知的平均光谱灵敏度。亮度分量决定了像素的感知亮度。
Cb 和 Cr 分别是蓝差和红差色度分量。它们表示图像中的颜色信息。Cb 是通过从蓝色分量中减去亮度来计算的，而 Cr 是通过从红色分量中减去亮度来计算的。通过将颜色信息分离到这些色差分量中，YCbCrA 允许颜色信息比在 RGB 中更有效地压缩。
YCbCrA 中的 Alpha (A) 通道表示每个像素的透明度或不透明度。它指定在渲染图像时，像素的多少颜色应与背景混合。Alpha 值为 0 表示像素完全透明，而 Alpha 值为 1（或在 8 位表示中为 255）表示像素完全不透明。0 到 1 之间的 Alpha 值会导致部分透明的像素，这些像素以不同程度与背景混合。
YCbCrA 色彩空间的主要优点之一是，与 RGB 相比，它允许更有效的压缩。人类视觉系统对亮度变化比对颜色变化更敏感。通过分离亮度和色度信息，YCbCrA 使编码器能够为亮度分量分配更多位，该分量承载着最重要的 感知信息，同时更激进地压缩色度分量。
在压缩期间，亮度和色度分量可以以不同的速率进行子采样。子采样降低了色度分量的空间分辨率，同时保留了亮度分量的完整分辨率。常见的子采样方案包括 4:4:4（无子采样）、4:2:2（色度水平子采样因子为 2）和 4:2:0（色度水平和垂直子采样因子为 2）。子采样利用了人类视觉系统对颜色细节的较低敏感性，允许更高的压缩比而不会造成明显的感知质量损失。
YCbCrA 图像格式广泛用于视频和图像压缩标准，如 JPEG、MPEG 和 H.264/AVC。这些标准采用各种技术来压缩 YCbCrA 数据，包括色度子采样、离散余弦变换 (DCT)、量化和熵编码。
在压缩图像或视频帧时，YCbCrA 数据会经历一系列变换和压缩步骤。图像首先从 RGB 转换为 YCbCrA 色彩空间。然后将亮度和色度分量分成块，通常大小为 8x8 或 16x16 像素。每个块都经过离散余弦变换 (DCT)，该变换将空间像素值转换为频率系数。
然后对 DCT 系数进行量化，即用量化步长除以每个系数，并将结果四舍五入到最接近的整数。量化通过丢弃感知重要性较低的高频信息来引入有损压缩。量化步长可以调整以控制压缩比和图像质量之间的权衡。
量化后，系数以锯齿形图案重新排序，以将低频系数（往往具有较大的幅度）分组在一起。然后使用哈夫曼编码或算术编码等技术对重新排序的系数进行熵编码。熵编码为更频繁出现的系数分配更短的码字，从而进一步减小压缩数据的尺寸。
要解压缩 YCbCrA 图像，则应用逆过程。对熵编码数据进行解码以检索量化的 DCT 系数。然后通过将系数乘以相应的量化步长来对系数进行反量化。对反量化的系数执行逆 DCT 以重建 YCbCrA 块。最后，将 YCbCrA 数据转换回 RGB 色彩空间以进行显示或进一步处理。
YCbCrA 中的 Alpha 通道通常与亮度和色度分量分开压缩。它可以使用各种方法进行编码，例如游程长度编码或基于块的压缩。Alpha 通道允许透明效果，例如以可变不透明度将图像或视频叠加在一起。
YCbCrA 比其他色彩空间和图像格式具有几个优势。它分离亮度和色度信息，从而实现更有效的压缩，因为人类视觉系统对亮度变化比对颜色变化更敏感。色度分量的子采样进一步减少了要压缩的数据量，而不会显着影响感知质量。
此外，YCbCrA 与 JPEG 和 MPEG 等流行压缩标准的兼容性使其在不同平台和设备上得到广泛支持。它能够为透明度合并 Alpha 通道，也使其适用于需要图像合成或混合的应用程序。
然而，YCbCrA 并非没有局限性。从 RGB 到 YCbCrA 再到 RGB 的转换可能会引入一些颜色失真，尤其是当色度分量被严重压缩时。色度分量的子采样还可能导致颜色溢出或在颜色转换尖锐的区域产生伪影。
尽管存在这些限制，但 YCbCrA 由于其效率和广泛的支持，仍然是图像和视频压缩的流行选择。它在压缩性能和视觉质量之间取得了平衡，使其适用于广泛的应用程序，从数码相机和视频流到图形和游戏。
随着技术的进步，新的压缩技术和格式可能会出现，以解决 YCbCrA 的局限性并提供更好的压缩效率和视觉质量。然而，分离亮度和色度信息、子采样和变换编码的基本原理可能会在未来的图像和视频压缩标准中仍然相关。
总之，YCbCrA 是一种色彩空间和图像格式，通过分离亮度和色度信息并允许色度子采样来提供有效的压缩。它包含用于透明度的 Alpha 通道，使其适用于各种应用程序。虽然它有一些限制，但 YCbCrA 与流行压缩标准的兼容性以及它在压缩性能和视觉质量之间的平衡使其成为图像和视频压缩领域中广泛使用的选 择。
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。