Surya开源项目 – 多语言OCR与布局分析工具

ImagenATexto 是一个在线工具，允许用户通过简单的拖放操作，从图像中提取文本。该工具能够精确地识别和提取图像中的文本，适用于各种应用场景，帮助用户将图像内容转换为可编辑的文本格式。

Intics是一款强大的文档处理工具，能够理解和捕捉任何格式的文本（包括印刷体和手写体）、表格、图片、商标、照片或地图。支持文档、PDF或图像等多种格式，助力用户快速提取信息并实现数据转化。

PalyPDF是一个易于使用的聊天应用，帮助用户存储和组织文件，支持与单个或多个PDF文件进行聊天，并提供语义、关键字和混合搜索功能。

iAsk 是一个智能助手，能够回答有关您文件和链接的问题。用户只需在 Apple 设备上安装该应用并授权必要的权限，就可以使用语音、相机和图像来询问文件和链接的信息。

TranslateImages是一个图像翻译系统，具有强大的编辑功能。它能够识别图像中的文本，清理背景并填入翻译后的文本。该系统保留原始图像的文本格式，如字体、颜色和位置，并提供编辑器用于微调。

Gogosseract，一个通过 Wazero 实现的无 CGo Tesseract OCR 的 Go Lib。它提供高效的光学字符识别功能，支持多种语言，易于集成到各种 Go 应用程序中。

紫东太初2.0是由武汉人工智能研究院、中国科学院自动化所和华为公司联合研发的新一代多模态大模型平台，基于昇腾AI和MindSpore AI框架。它从全球首个图文音三模态大模型升级而来，旨在建设中国通用人工智能智能基础，加速认知智能时代的发展。平台支持文本、图像、视频、音乐、音频、3D和信号等多种模态，功能涵盖文本创作、图像生成、视频理解、音乐处理、3D场景描述和信号分析等。

MiniCPM-V 是一款拥有 8B 参数的先进 AI 模型，性能优于 GPT-4V 等顶级型号，提供卓越的 OCR 功能，并支持 30 多种语言。它是一个强大的端侧多模态大语言模型，在单图像、多图像和视频理解方面超越了 GPT-4V，支持在 iPad 等终端设备上进行实时视频理解。MiniCPM-V 2.0 是一个高效的端侧多模态大模型，具有强大的 OCR 和图文理解能力，并且是一个开源项目。

TextScan AI是一款免费的移动应用程序，允许用户从图像中提取文本并与AI驱动的聊天机器人互动。用户只需安装应用，选择包含文本的图像，应用就会扫描并转换文本。此外，用户还可以与聊天机器人进行对话，享受智能交互体验。

OCR Magic是一款支持几乎所有语言的高级文本识别应用，利用光学字符识别技术，能够将图像和文档中的文本扫描并转换为可编辑和可搜索的数字文本。

白描图片转 Excel 是白描应用的一个网页功能，专注于将表格图片通过OCR技术转换为Excel文件。白描是一个强大的OCR工具，支持图片转文字、电子表格文字识别、PDF转文字等功能。该功能简单易用，用户只需上传表格图片即可完成转换，适用于需要快速提取表格数据的场景。

该项目提供了一种利用多模态半监督学习进行文本识别的方法，结合了标记和未标记数据以提高识别精度。

OCRmyPDF 是一款功能强大的开源命令行工具，专为处理图像PDF文件而设计。它通过Tesseract OCR引擎为扫描的PDF文件添加OCR文本层，使其可搜索和复制。支持超过100种语言，并能生成符合PDF/A标准的文档，适合长期存储。OCRmyPDF 还优化PDF图像，减少文件大小，修复倾斜页面，并支持多核处理，适用于处理大批量PDF文件。

基于Rust语言实现的多语言文档OCR工具包，结合修改版Segformer、OpenCV和donut transformer，提供高效的文档识别与处理功能。

PaddleOCR是一个基于PaddlePaddle深度学习框架构建的开源OCR（光学字符识别）工具库，旨在为开发者提供一套全面、领先且实用的工具，以训练高质量的OCR模型并将其应用于实际场景中。它提供了多种OCR相关的前沿算法，并在此基础上构建了产业级特色模型，如PP-OCR、PP-Structure和PP-ChatOCR，覆盖了从数据生产到模型训练、压缩和预测部署的完整流程。

该项目利用先进的OCR技术，能够精准识别图片中的表格和文字，并将其转换为可编辑的Excel文件。支持多种图片格式（如jpg、png），并可在网页、iOS和Android平台上使用。该项目旨在简化从图片到Excel的转换过程，特别适合需要处理扫描文档或照片的用户。

Vary是一种新的视觉识别方法，专注于文档级OCR和图表理解。它通过两个阶段生成并整合新的视觉词汇，首先设计词汇网络和小型解码器，通过自回归生成所需词汇，然后通过合并新词汇和原始词汇（CLIP）来扩展原始视觉词汇，使大型视觉语言模型（LVLMs）能够快速获取新特征。Vary在保持原有能力的同时，展现出更出色的细粒度感知和理解能力，尤其擅长识别表格和公式，并具备多模态推理能力。

Umi-OCR 是一款开源、免费且离线的OCR软件，专为识别和转换图像中的文本内容而设计。它支持多国语言识别，并提供多种文本后处理功能，如排版优化、忽略区域排除等。基于 Python 和 Qt 开发，Umi-OCR 拥有简洁直观的用户界面，支持截图识别、批量识别、PDF文档识别和二维码处理等功能。软件内置高效的离线OCR引擎，并支持通过插件扩展OCR能力，同时提供命令行和HTTP接口，方便开发者进行二次开发和集成。

Advanced Literate Machinery (ALM) 是阿里巴巴研究团队开发的一个高级文档智能系统，旨在赋予机器阅读、思考和创造的能力。项目当前专注于从图像和文档中提取信息，未来将探索让机器具备更高层次的智能。项目包含多个子模块，如OmniParser、Platypus、SceneVTG等，涵盖了文本识别、关键信息提取、表格识别、文档解析等多种功能。

EasyOCR是一个开源的光学字符识别（OCR）工具，支持多种语言的文本识别。通过深度学习大模型，基于其强大的AI功能，能够快速准确地识别图像中的文本，支持超过80种语言，适合各种图像文本提取任务，无论是扫描文档、手写文字，还是图片中的文字都能高效识别。