光學字元辨識（OCR）將文字影像—掃描、智慧型手機相片、PDF—轉換為機器可讀的字串，並且越來越多地轉換為 結構化資料。現代 OCR 是一個清理影像、尋找文字、讀取它並匯出豐富元數據的流程， 以便下游系統可以搜尋、索引或擷取欄位。兩個廣泛使用的輸出標準是 hOCR，一種用於文字和版面的 HTML 微格式，以及 ALTO XML，一種以圖書館/檔案館為導向的綱要；兩者都保留位置、閱讀順序和其他版面提示，並受到 像 Tesseract這樣的熱門引擎支援。
預處理。 OCR 品質始於影像清理：灰階轉換、去噪、 二值化（二值化）和歪斜校正。標準的 OpenCV 教學涵蓋了全域、 自適應 和 Otsu 二值化—適用於光線不均或雙峰直方圖的文件的必備步驟。當頁面內的光線變化時 （想想手機快照），自適應方法通常優於單一全域閾值；Otsu 會透過分析直方圖自動選擇一個閾值。傾斜校正同樣重要：基於霍夫變換的 歪斜校正（霍夫線變換）與 Otsu 二值化結合，是生產預處理流程中常見且有效的方案。
偵測與辨識。 OCR 通常分為文字偵測（文字在哪裡 ？）和文字辨識（它說什麼？）。在自然場景和許多掃描中，完全卷積 偵測器，如 EAST ，可以有效地預測字或行級的四邊形，而無需繁重的提案階段，並且已在 常見的工具套件中實現（例如， OpenCV 的文字偵測教學）。在複雜的頁面（報紙、表格、書籍）上，行/區域的分割和閱讀順序推斷很重要：Kraken 實現了傳統的區域/行分割和神經基準線分割，並明確支援 不同的腳本和方向（LTR/RTL/垂直）。
辨識模型。 經典的開源主力 Tesseract （由 Google 開源，源於 HP）從字元分類器演變為基於 LSTM 的序列 辨識器，可以從 CLI 發出可搜尋的 PDF、 hOCR/ALTO 相容輸出等。現代辨識器依賴於序列模型，而無需預先分割的字元。 連接主義時間分類 (CTC) 仍然是基礎，它學習輸入特徵序列和輸出標籤字串之間的對齊；它廣泛 用於手寫和場景文字流程。
在過去幾年中，Transformer 重塑了 OCR。 TrOCR 使用視覺 Transformer 編碼器和文字 Transformer 解碼器，在大型合成語料庫上進行訓練，然後 在真實資料上進行微調，在印刷、手寫和場景文字基準測試中表現出色（另請參閱 Hugging Face 文件）。與此同時，一些系統繞過 OCR 進行下游理解： Donut（文件理解 Transformer） 是一種無 OCR 的編碼器-解碼器，可直接從文件 影像輸出結構化答案（如鍵值 JSON）（儲存庫， 模型卡），避免了在單獨的 OCR 步驟為 IE 系統提供資料時出現錯誤累積。
如果您想要跨多種腳本的「開箱即用」文字閱讀， EasyOCR 提供了一個包含 80 多種語言模型的簡單 API，可傳回框、文字和可信度—方便用於原型和 非拉丁腳本。對於歷史文獻， Kraken 以基準線分割和腳本感知閱讀順序而著稱；對於靈活的行級訓練， Calamari 建立在 Ocropy 的基礎上（Ocropy），帶有（多）LSTM+CTC 辨識器和用於微調自訂模型的 CLI。
泛化取決於資料。對於手寫， IAM 手寫資料庫 為訓練和評估提供了不同作者的英文句子；它是 行和字辨識的長期參考集。對於場景文字， COCO-Text 在 MS-COCO 上分層了廣泛的註釋，帶有印刷/手寫、清晰/不清晰、腳本和 完整轉錄的標籤（另請參閱原始 專案頁面）。該領域也嚴重依賴合成預訓練： 野外合成文字 將文字渲染到具有逼真幾何和光線的相片中，為預訓練 偵測器和辨識器提供大量資料（參考 程式碼和資料）。
ICDAR 的穩健閱讀 下的競賽使評估保持務實。最近的任務強調端對端偵測/閱讀，並包括將字 連結成片語，官方程式碼報告 精確率/召回率/F-score、交並比 (IoU) 和字元級編輯距離度量—反映了從業人員應該追蹤的內容。
OCR 很少以純文字結尾。檔案館和數位圖書館更喜歡 ALTO XML ，因為它除了內容之外還編碼了實體版面（帶座標的區塊/行/字），並且它與 METS 打包配合得很好。 hOCR 微格式則相反，它使用 ocr_line 和 ocrx_word 等類別將相同的思想嵌入到 HTML/CSS 中，從而可以輕鬆地使用 Web 工具進行顯示、編輯和轉換。Tesseract 兩者都支援—例如， 直接從 CLI 產生 hOCR 或可搜尋的 PDF（PDF 輸出指南）；像 pytesseract 這樣的 Python 包裝函式增加了便利性。當儲存庫具有固定的接收 標準時，存在用於在 hOCR 和 ALTO 之間進行轉換的轉換器—請參閱此精選清單 OCR 檔案格式工具。
最強勁的趨勢是融合：偵測、辨識、語言模型，甚至特定於任務的解碼 正在合併到統一的 Transformer 堆疊中。在 大型合成語料庫 上進行預訓練仍然是一個力量倍增器。無 OCR 模型將在目標是結構化輸出 而不是逐字記錄的任何地方積極競爭。也期待混合部署：一個輕量級偵測器加上一個 TrOCR 風格的 辨識器用於長格式文字，以及一個 Donut 風格的模型用於表格和收據。
Tesseract (GitHub) · Tesseract 文件 · hOCR 規範 · ALTO 背景 · EAST 偵測器 · OpenCV 文字偵測 · TrOCR · Donut · COCO-Text · SynthText · Kraken · Calamari OCR · ICDAR RRC · pytesseract · IAM 手寫 · OCR 檔案格式工具 · EasyOCR
光學字符識別（OCR）是一種技術，用於將不同類型的文檔，如掃描的紙質文檔、PDF文件或由數字相機拍攝的圖像，轉換為可以編輯和可搜索的數據。
OCR通過掃描輸入的圖像或文檔，將圖像分割成單個字符，然後將每個字符與使用模式識別或特徵識別的字符形狀數據庫進行比較。
OCR用於各種行業和應用，包括數字化打印文件、啟用文字轉語音服務、自動化數據錄入過程，以及幫助視障用戶更好地與文字互動。
儘管OCR技術已取得了巨大的進步，但它並不是絕對可靠的。準確性可能會因原始文檔的質量和使用的OCR軟件的具體情況而異。
儘管OCR主要用於識別印刷文字，但一些先進的OCR系統也能識別清晰、一致的手寫。然而，通常由於個人寫作風格的多樣性，手寫識別的準確度較低。
是的，許多OCR軟件可以識別多種語言。但是，需要確保你使用的軟件支持特定的語言。
OCR是光學字符識別的縮寫，用於識別印刷的文字，而ICR，或稱為智能字符識別，則較為先進，用於識別手寫的文字。
OCR在處理清晰易讀的字體和標準文字大小上效果最佳。雖然它能識別各種字體和大小，但在處理不常見的字體或極小的文字大小時，其準確性可能會降低。
OCR在處理低分辨率的文件、複雜的字體、打印質量差的文字、手寫，以及字和背景迎合度不足的文件時可能出問題。另外，儘管它可以識別多種語言，但可能無法完美覆蓋所有語言。
是的，OCR可以掃瞄彩色文字和背景，雖然它對高對比度的顏色組合，如黑色文字和白色背景效果更好。如果文字和背景的顏色對比 度不足，其準確性可能會降低。
數位影片交換(DPX)格式是一種專門為電影和電視行業的設備和應用程式之間轉移靜態畫幀和序列而設計的影像檔案格式。DPX 格式源於柯達的 Cineon (.cin) 檔案格式,其開發目的是為了在數位中間系統(DI)、視覺特效(VFX)應用程式和色彩分級工具之間標準化電影影像及其元資料的交換。電影電視工程師協會(SMPTE)根據 SMPTE 268M 標準化了 DPX 格式,確保了全面的相容性和行業的廣泛接受。
DPX 檔案是大型的未壓縮位圖影像,以簡單的方式儲存影像數據,可以提供專業電影和電視製作所需的高品質、高分辨率影像。它們能夠儲存各種分辨率、長寬比和色深的影像數據,這使它們非常通用。通常,DPX 檔案使用 10 位元對數或 16 位元線性色深,以容納專業視頻和電影工作流程所需的高動態範圍。這種能力確保 DPX 檔案可以在不損失數據的情況下表現極寬的亮度範圍,從最黑暗的陰影到最明亮的高光。
DPX 格式的一個關鍵特性是對大量元資料的支持。這些元資料可包括關於電影或視頻來源的資訊,如電影類型、製作詳情、相機具體參數和畫幀的時間碼。此外,它還可以包含色彩管理資訊,包括色彩初級值、轉移特性和色度計數據。這豐富的元資料對於確保影像在各種設備和應用程式中得到準確處理和再現至關重要,在後期製作過程中維持色彩分級和特效應用的一致性。
DPX 檔案標頭在儲存元資料和指導應用程式正確解釋影像數據方面發揮著關鍵作用。標頭被分為包括檔案資訊、影像資訊、方向資訊、電 影資訊和電視資訊的部分,每個部分都包含特定的元資料類型。例如,檔案資訊部分包含了 DPX 格式版本號和檔案大小等一般數據,而影像資訊部分詳細描述了影像的分辨率、長寬比和色彩資訊。
在技術細節方面,DPX 檔案可以採用大端或小端字節順序保存,這使它們適應不同的計算環境。DPX 格式的一個顯著特點是能夠在單個檔案中儲存多個影像,facilitated 立體(3D)內容或動畫和特效工作的影像序列的表達。這一特性突出了該格式在複雜製作工作流程中的靈活性設計,實現內容的無縫整合和交換。
DPX 格式支持各種色彩模型,包括 RGB、CIE XYZ 和 YCbCr,確保與各種輸入和輸出設備的相容性。對於 RGB 影像,每個通道(紅、綠和藍)通常會單獨儲存,並支持額外的 alpha 通道用於透明資訊,這對於視覺特效中的合成非常關鍵。這種色彩表示的靈活性確保了 DPX 檔案可以用於幾乎任何數位成像過程,從初始捕獲到最終交付。
壓縮並不是 DPX 格式的核心功能,因為它的目標是為專業使用保持最高的影像保真度和細節。然而,為了管理由此產生的大文件尺寸,特別是在處理高分辨率或多影像檔案時,使用 DPX 的應用程式通常會實施自己的檔案處理和存儲解決方案。這些解決方案可能包括高容量、高速存儲系統和高效的檔案傳輸協議,以有效處理 DPX 檔案相關的大量數據。
DPX 檔案通常使用線性色彩空間,這意味著儲存的值代表線性光照水平。在線性色彩空間中工作允許更準確的光線和色彩計算和操作,這對於實現寫實效果和高品質影像合成至關重要。然而,對數色彩空間的支持也迎合了依賴類似膠片的響應曲線的工作流,提供了處理不同類型來源素材和美學選擇的通用性。
版本控制和修訂處理在協作環境中至關重要,雖然 DPX 格式本身不直接支持檔案結構內的版本控制,但標頭中的元資料欄位可用於跟踪版本資訊、場次編號和拍攝次數。這種方法允許團隊在整個製作管線中組織、管理和檢索影像或序列的特定版本,促進效率並減少錯誤或覆蓋的可能性。
除了技術規格,DPX 格式的重要性在於它在傳統電影製作和數位後期製作過程之間架起了橋梁。通過提供可靠的、標準化的影像交換格式,DPX facilitated 模擬和數位元素在電影製作過程中的無縫整合。這種整合對於保持電影製作者的創作意圖至關重要,同時利用數位後期製作技術的創造性和技術優勢。
DPX 格式在業界標準軟硬體中的應用和使用突出了其重要性。主要的數位中間系統、視覺特效軟體和色彩分級工具都支持 DPX 格式,實現了不同生產階段之間的順暢工作流。處理 DPX 檔案的能力被視為電影電視行業專業級軟體的基本要求,這充分說明了該格式的廣泛影響力。
儘管有諸多優勢,DPX 格式也面臨著挑戰,特別是與大檔案尺寸以及需要大量存儲和帶寬來有效管理這些檔案有關。新興的提供高質量成像和壓縮選項的影像格式和編解碼器帶來了競爭性。然而,DPX 格式對無損影像質量的強調,加上其對豐富元資料和行業標準採用的支持,使其繼續成為高端製作工作流的首選。
展望未來,DPX 格式將繼續演進,更新和修訂旨在解決行業不斷變化的需求。這些更新確保它與更新的技術和工作流保持相容,同時保持其高保真度和靈活性的核心特點。隨著行業向更高分辨率、更大動態範圍和更複雜的製作技術發展,DPX 格式的適應性和對高級功能的支持將是其持續相關性的關鍵。
總之,DPX 影像格式是專業電影和電視製作領域不可或缺的工具。其旨在保持高影像質量、支持豐富元資料以及在各種工作流中的適應性,使其成為不可或缺的資產。DPX 格 式體現了藝術願景和技術進步的交匯點,facilitated 影像的創造和操縱,以尊重電影製作工藝和數位後期製作需求的方式。隨著行業的發展,DPX 格式在維護影像保真度和不同平台及流程間的互操作性方面的作用無疑將繼續至關重要。
這個轉換器完全在您的瀏覽器中運行。當您選擇 一個檔案，它將讀入內存並轉換為所選格式。 然後，您可以下載轉換後的檔案。
轉換馬上開始，大部分檔案僅需一秒鐘轉換。 較大的檔案可能需要更長的時間。
您的檔案絕不會上傳到我們的伺服器。它們在您的瀏覽器中 轉換，然後下載轉換後的檔案。我們從未看到您的檔案。
我們支援所有圖形格式之間的轉換，包括 JPEG，PNG，GIF，WebP，SVG，BMP，TIFF，等等。
此轉換器完全免費，且將永遠免費。 由於它在您的瀏覽器中運行，我們無需支付 伺服器費用，所以我們不需要向您收取費用。
可以！您一次可以轉換任意多的檔案。 當您添加檔案時，只需選擇多個檔案即可。