OCR für jedes RGB

Unbegrenzt Aufgaben. Dateigröße bis zu 2.5GB. Immer kostenlos.

Alles lokal

Unser Konverter läuft in Ihrem Browser, daher sehen wir Ihre Daten nie.

Blitzschnell

Kein Hochladen Ihrer Dateien auf einen Server - Konvertierungen starten sofort.

Standardmäßig sicher

Im Gegensatz zu anderen Konvertern werden Ihre Dateien nie auf unseren Server hochgeladen.

Optische Zeichenerkennung (OCR) wandelt Bilder von Text – Scans, Smartphone-Fotos, PDFs – in maschinenlesbare Zeichenketten und zunehmend in strukturierte Daten um. Moderne OCR ist eine Pipeline, die ein Bild bereinigt, Text findet, ihn liest und umfassende Metadaten exportiert, damit nachgelagerte Systeme Felder suchen, indizieren oder extrahieren können. Zwei weit verbreitete Ausgabestandards sind hOCR, ein HTML-Mikroformat für Text und Layout, und ALTO XML, ein auf Bibliotheken/Archive ausgerichtetes Schema; beide erhalten Positionen, Lesereihenfolge und andere Layout-Hinweise und werden von populären Engines wie Tesseractunterstützt.

Eine kurze Tour durch die Pipeline

Vorverarbeitung. Die OCR-Qualität beginnt mit der Bildbereinigung: Graustufenumwandlung, Entrauschen, Schwellenwertbildung (Binarisierung) und Schräglagenkorrektur. Kanonische OpenCV-Tutorials behandeln globale, adaptive und Otsu Schwellenwertbildung – unerlässlich für Dokumente mit ungleichmäßiger Beleuchtung oder bimodalen Histogrammen. Wenn die Beleuchtung innerhalb einer Seite variiert (denken Sie an Handy-Schnappschüsse), übertreffen adaptive Methoden oft einen einzigen globalen Schwellenwert; Otsu wählt automatisch einen Schwellenwert durch Analyse des Histogramms. Die Neigungskorrektur ist ebenso wichtig: Hough-basierte Schräglagenkorrektur (Hough-Linientransformation) in Verbindung mit Otsu-Binarisierung ist ein gängiges und effektives Rezept in Produktions-Vorverarbeitungspipelines.

Erkennung vs. Erkennung. OCR wird typischerweise in Texterkennung (wo ist der Text?) und Texterkennung (was steht da?) unterteilt. In natürlichen Szenen und vielen Scans sind vollständig konvolutionale Detektoren wie EAST effizient bei der Vorhersage von Vierecken auf Wort- oder Zeilenebene ohne aufwändige Vorschlagsphasen und sind in gängigen Toolkits implementiert (z. B. OpenCVs Tutorial zur Texterkennung). Bei komplexen Seiten (Zeitungen, Formulare, Bücher) sind die Segmentierung von Zeilen/Regionen und die Inferenz der Lesereihenfolge von Bedeutung:Kraken implementiert traditionelle Zonen-/Zeilensegmentierung und neuronale Grundlinien-Segmentierung, mit expliziter Unterstützung für verschiedene Schriften und Richtungen (LTR/RTL/vertikal).

Erkennungsmodelle. Das klassische Open-Source-Arbeitspferd Tesseract (von Google als Open Source veröffentlicht, mit Wurzeln bei HP) entwickelte sich von einem Zeichenklassifikator zu einem LSTM-basierten Sequenz- Erkenner und kann durchsuchbare PDFs, hOCR/ALTO-freundliche Ausgabenund mehr über die CLI ausgeben. Moderne Erkenner setzen auf Sequenzmodellierung ohne vorsegmentierte Zeichen. Connectionist Temporal Classification (CTC) bleibt grundlegend und lernt die Ausrichtungen zwischen Eingabemerkmalfolgen und Ausgabezeichenfolgen; es wird häufig in Handschrift- und Szenentext-Pipelines verwendet.

In den letzten Jahren haben Transformer die OCR neu gestaltet. TrOCR verwendet einen Vision-Transformer-Encoder plus einen Text-Transformer-Decoder, trainiert auf großen synthetischen Korpora und dann feinabgestimmt auf realen Daten, mit starker Leistung bei gedruckten, handschriftlichen und Szenentext-Benchmarks (siehe auch Hugging Face-Dokumentation). Parallel dazu umgehen einige Systeme OCR für das nachgelagerte Verständnis: Donut (Document Understanding Transformer) ist ein OCR-freier Encoder-Decoder, der direkt strukturierte Antworten (wie Schlüssel-Wert-JSON) aus Dokumenten- bildern ausgibt (Repo, Modellkarte), um Fehlerakkumulation zu vermeiden, wenn ein separater OCR-Schritt ein IE-System speist.

Engines und Bibliotheken

Wenn Sie eine umfassende Texterkennung für viele Schriften wünschen, bietet EasyOCR eine einfache API mit über 80 Sprachmodellen, die Boxen, Text und Konfidenzen zurückgibt – praktisch für Prototypen und nicht-lateinische Schriften. Für historische Dokumente glänzt Kraken mit Grundliniensegmentierung und schriftbewusster Lesereihenfolge; für flexibles Training auf Zeilenebene, Calamari baut auf der Ocropy-Linie auf (Ocropy) mit (Multi-)LSTM+CTC-Erkennern und einer CLI zur Feinabstimmung benutzerdefinierter Modelle.

Datensätze und Benchmarks

Generalisierung hängt von Daten ab. Für Handschrift bietet die IAM Handwriting Database schreiberdiverse englische Sätze für Training und Evaluierung; sie ist ein langjähriger Referenzdatensatz für Zeilen- und Worterkennung. Für Szenentext hat COCO-Text umfangreiche Annotationen über MS-COCO gelegt, mit Labels für gedruckt/handschriftlich, lesbar/unlesbar, Schrift und vollständigen Transkriptionen (siehe auch die ursprüngliche Projektseite). Das Feld stützt sich auch stark auf synthetisches Vortraining: SynthText in the Wild rendert Text in Fotografien mit realistischer Geometrie und Beleuchtung und liefert riesige Datenmengen zum Vortrainieren von Detektoren und Erkennern (Referenz Code & Daten).

Wettbewerbe unter dem Dach von ICDARs Robust Reading halten die Evaluierung auf dem Boden. Jüngste Aufgaben betonen die End-to-End-Erkennung/Lesung und umfassen das Verknüpfen von Wörtern zu Phrasen, wobei der offizielle Code Präzision/Recall/F-Score, Intersection-over-Union (IoU) und zeichenbasierte Edit-Distanz-Metriken meldet – was widerspiegelt, was Praktiker verfolgen sollten.

Ausgabeformate und nachgelagerte Nutzung

OCR endet selten bei reinem Text. Archive und digitale Bibliotheken bevorzugen ALTO XML , da es das physische Layout (Blöcke/Zeilen/Wörter mit Koordinaten) neben dem Inhalt kodiert und gut mit METS-Verpackungen harmoniert. Das hOCR Mikroformat hingegen bettet dieselbe Idee in HTML/CSS ein, indem es Klassen wie ocr_line und ocrx_word verwendet, was die Anzeige, Bearbeitung und Transformation mit Web-Werkzeugen erleichtert. Tesseract bietet beides – z. B. die Erzeugung von hOCR oder durchsuchbaren PDFs direkt über die CLI (PDF-Ausgabe-Anleitung); Python-Wrapper wie pytesseract bieten zusätzlichen Komfort. Es gibt Konverter, um zwischen hOCR und ALTO zu übersetzen, wenn Repositories feste Aufnahme- standards haben – siehe diese kuratierte Liste von OCR-Dateiformat-Tools.

Praktische Anleitung

  • Beginnen Sie mit Daten & Sauberkeit. Wenn Ihre Bilder Handyfotos oder Scans gemischter Qualität sind, investieren Sie in Schwellenwertbildung (adaptiv & Otsu) und Schräglagenkorrektur (Hough) vor jeder Modellabstimmung. Sie werden oft mehr von einem robusten Vorverarbeitungsrezept profitieren als vom Austausch von Erkennern.
  • Wählen Sie den richtigen Detektor. Für gescannte Seiten mit regelmäßigen Spalten kann ein Seitensegmentierer (Zonen → Zeilen) ausreichen; für natürliche Bilder sind Single-Shot-Detektoren wie EAST starke Baselines und lassen sich in viele Toolkits integrieren (OpenCV-Beispiel).
  • Wählen Sie einen Erkenner, der zu Ihrem Text passt. Für gedrucktes Latein ist Tesseract (LSTM/OEM) robust und schnell; für Multi-Skript oder schnelle Prototypen ist EasyOCR produktiv; für Handschrift oder historische Schriftarten sollten Sie Kraken oder Calamari in Betracht ziehen und eine Feinabstimmung planen. Wenn Sie eine enge Kopplung an das Dokumentenverständnis benötigen (Schlüssel-Wert-Extraktion, VQA), evaluieren Sie TrOCR (OCR) versus Donut (OCR-frei) auf Ihrem Schema – Donut kann einen ganzen Integrationsschritt entfernen.
  • Messen Sie, was zählt. Für End-to-End-Systeme melden Sie Erkennungs- F-Score und Erkennungs-CER/WER (beide basierend auf Levenshtein- Edit-Distanz; siehe CTC); für layoutlastige Aufgaben verfolgen Sie IoU/Dichtheit und zeichenbasierte normalisierte Edit-Distanz wie in ICDAR RRC Evaluierungskits.
  • Exportieren Sie reichhaltige Ausgaben. Bevorzugen Sie hOCR /ALTO (oder beides), damit Sie Koordinaten und Lesereihenfolge beibehalten – entscheidend für die Hervorhebung von Suchtreffern, Tabellen-/Feld- extraktion und Provenienz. Tesseracts CLI und pytesseract machen dies zu einem Einzeiler.

Blick nach vorn

Der stärkste Trend ist die Konvergenz: Erkennung, Erkennung, Sprachmodellierung und sogar aufgabenspezifische Dekodierung verschmelzen zu einheitlichen Transformer-Stacks. Vortraining auf großen synthetischen Korpora bleibt ein Kraftmultiplikator. OCR-freie Modelle werden aggressiv konkurrieren, wo immer das Ziel strukturierte Ausgaben anstelle von wörtlichen Transkripten sind. Erwarten Sie auch hybride Bereitstellungen: einen leichtgewichtigen Detektor plus einen TrOCR-Stil- Erkenner für Langformtext und ein Donut-Stil-Modell für Formulare und Belege.

Weiterführende Literatur & Tools

Tesseract (GitHub) · Tesseract-Dokumentation · hOCR-Spezifikation · ALTO-Hintergrund · EAST-Detektor · OpenCV-Texterkennung · TrOCR · Donut · COCO-Text · SynthText · Kraken · Calamari OCR · ICDAR RRC · pytesseract · IAM Handschrift · OCR-Dateiformat-Tools · EasyOCR

Häufig gestellte Fragen

Was ist OCR?

Die Optical Character Recognition (OCR) ist eine Technologie, die verwendet wird, um verschiedene Arten von Dokumenten, wie gescannte Papiere, PDF-Dateien oder Bilder, die mit einer Digitalkamera aufgenommen wurden, in bearbeitbare und durchsuchbare Daten umzuwandeln.

Wie funktioniert OCR?

OCR funktioniert, indem es ein Eingabebild oder Dokument scannt, das Bild in einzelne Zeichen segmentiert und jedes Zeichen mit einer Datenbank von Zeichenformen mit Hilfe von Mustererkennung oder Feature-Erkennung vergleicht.

Welches sind einige praktische Anwendungen von OCR?

OCR wird in einer Vielzahl von Bereichen und Anwendungen genutzt, einschließlich der Digitalisierung von gedruckten Dokumenten, der Aktivierung von Text-zu-Sprachdiensten, der Automatisierung von Dateneingabeprozessen und der Unterstützung von sehbehinderten Benutzern bei der Interaktion mit Texten.

Ist OCR immer 100% genau?

Obwohl große Fortschritte in der OCR-Technologie gemacht wurden, ist sie nicht unfehlbar. Die Genauigkeit kann abhängig von der Qualität des Originaldokuments und den Spezifika der verwendeten OCR-Software variieren.

Kann OCR Handschrift erkennen?

Obwohl OCR hauptsächlich für gedruckten Text konzipiert wurde, können einige fortschrittliche OCR-Systeme auch klare und konsistente Handschriften erkennen. Allerdings ist die Handschriftenerkennung in der Regel weniger genau aufgrund der großen Variation in individuellen Schreibstilen.

Kann OCR mehrere Sprachen verarbeiten?

Ja, viele OCR-Software-Systeme können mehrere Sprachen erkennen. Es ist jedoch wichtig zu gewährleisten, dass die spezifische Sprache von der von Ihnen verwendeten Software unterstützt wird.

Was ist der Unterschied zwischen OCR und ICR?

OCR steht für Optical Character Recognition und wird verwendet, um gedruckten Text zu erkennen, während ICR für Intelligent Character Recognition steht und wird zur Fortschrittlicheren Erkennung von handschriftlichen Text verwendet.

Funktioniert OCR mit jeder Schrift- und Textgröße?

OCR funktioniert am besten mit klaren, leicht lesbaren Schriftarten und Standard-Textgrößen. Obwohl es mit verschiedenen Schriftarten und Größen arbeiten kann, neigt die Genauigkeit dazu, zu sinken, wenn man mit ungewöhnlichen Schriftarten oder sehr kleinen Textgrößen umgeht.

Was sind die Grenzen der OCR-Technologie?

OCR kann Probleme haben mit niedrigauflösenden Dokumenten, komplexen Schriftarten, schlecht gedruckten Texten, Handschriften und Dokumenten mit Hintergründen, die den Text stören. Außerdem kann es, obwohl es mit vielen Sprachen arbeiten kann, nicht jede Sprache perfekt abdecken.

Kann OCR farbigen Text oder farbige Hintergründe scannen?

Ja, OCR kann farbigen Text und Hintergründe scannen, obwohl es in der Regel effektiver mit Hochkontrast-Farbkombinationen ist, wie schwarzem Text auf weißem Hintergrund. Die Genauigkeit kann abnehmen, wenn Text und Hintergrundfarben nicht genug Kontrast aufweisen.

Was ist das RGB Format?

Rohdaten für rote, grüne und blaue Proben

Das RGB-Bildformat, das für Rot, Grün und Blau steht, ist ein Eckpfeiler der digitalen Bildgebung und erfasst und zeigt Bilder auf eine Weise, die der menschlichen visuellen Wahrnehmung sehr nahe kommt. Durch die Kombination dieser drei Primärfarben in verschiedenen Intensitäten kann ein breites Farbspektrum reproduziert werden. Die Bedeutung dieses Formats liegt in seiner weit verbreiteten Akzeptanz auf verschiedenen Geräten und Plattformen, von Kameras und Monitoren bis hin zu Smartphones und Fernsehgeräten, und bildet im Wesentlichen das Rückgrat der digitalen Farbbildgebung.

Im Kern basiert das RGB-Format auf dem additiven Farbmodell. Dieses Modell basiert auf dem Prinzip, dass Lichtfarben miteinander gemischt werden können, um eine Reihe anderer Farben zu erzeugen, wobei Rot, Grün und Blau als Primärfarben dienen. Wenn sie mit ihrer maximalen Intensität kombiniert werden, erzeugen sie weißes Licht, während ihre Abwesenheit (kein Licht) zu Schwarz führt. Dieses Modell steht im Gegensatz zu subtraktiven Farbmodellen wie CMYK (Cyan, Magenta, Gelb und Schwarz), die im Farbdruck verwendet werden, wo Farben von Weiß (der Farbe des Papiers) subtrahiert werden.

Praktisch gesehen wird ein RGB-Bild aus Millionen von Pixeln aufgebaut, die jeweils als kleinstes Element des Bildes dienen. Jedes Pixel enthält drei Komponenten (Kanäle), die die Intensitäten von rotem, grünem und blauem Licht darstellen. Die Intensität jeder Farbe wird typischerweise mit einer 8-Bit-Skala quantifiziert, die von 0 bis 255 reicht, wobei 0 keine Intensität und 255 maximale Helligkeit bedeutet. Folglich ermöglicht diese Skala über 16 Millionen mögliche Farbkombinationen (256^3), was die Reproduktion einer großen Farbpalette ermöglicht.

Die Erstellung und Bearbeitung von RGB-Bildern umfasst zahlreiche technische Überlegungen und Prozesse. Beispielsweise wandeln Digitalkameras das von ihnen aufgenommene Licht mithilfe einer Reihe von Filtern über dem Sensor in RGB-Werte um. Dieses Array, oft ein Bayer-Filter, lässt nur rotes, grünes oder blaues Licht zu jedem Sensorpixel durch. Die Software der Kamera verarbeitet dann diese Rohdaten und interpoliert die Werte, um ein Vollfarbbild zu erzeugen. Wenn ein RGB-Bild auf einem Bildschirm angezeigt wird, wird die Farbe jedes Pixels auf ähnliche Weise durch Anpassen der Intensität der roten, grünen und blauen Komponenten der Hintergrundbeleuchtung oder einzelner Leuchtdioden (LEDs) in modernen Displays erzeugt.

Die Kodierung und Speicherung von RGB-Bildern ist ein weiterer kritischer technischer Aspekt. Während die Grundvoraussetzung darin besteht, die drei Farbwerte für jedes Pixel zu speichern, kann die tatsächliche Implementierung erheblich variieren. Dateiformate wie JPEG, PNG und GIF haben jeweils ihre Nuancen im Umgang mit RGB-Daten, insbesondere in Bezug auf die Komprimierung. JPEG verwendet beispielsweise eine verlustbehaftete Komprimierungstechnik, die die Dateigröße reduziert, indem einige Bilddaten verworfen werden, was die Bildqualität beeinträchtigen kann. PNG bietet eine verlustfreie Komprimierung, die die Bildqualität auf Kosten größerer Dateigrößen bewahrt. GIF verwendet zwar auch eine verlustfreie Komprimierung, ist aber auf 256 Farben beschränkt, was es für Vollfarbfotos weniger geeignet, aber ideal für einfachere Grafiken macht.

Über die Grundlagen der Farberfassung und -anzeige hinaus spielt das RGB-Format eine entscheidende Rolle in komplexeren Aspekten der digitalen Bildgebung, wie z. B. Farbmanagement und Gammakorrektur. Das Farbmanagement stellt sicher, dass die Farben auf verschiedenen Geräten und unter verschiedenen Betrachtungsbedingungen konsistent sind. Es umfasst Farbprofile, die beschreiben, wie Farben interpretiert werden sollen. Die Gammakorrektur passt die Luminanz des Bildes an und kompensiert die nichtlineare Art und Weise, wie unsere Augen Licht wahrnehmen, und die nichtlineare Reaktion von Anzeigegeräten. Beides ist für eine genaue und konsistente Farbwiedergabe unerlässlich.

Trotz seiner Allgegenwart und Effektivität hat das RGB-Format Einschränkungen. Eine bemerkenswerte Herausforderung besteht in der unterschiedlichen Art und Weise, wie verschiedene Geräte RGB-Werte interpretieren und anzeigen, was zu Abweichungen in der Farbwiedergabe führt. Dieses Problem ergibt sich aus Unterschieden in Farbräumen oder dem Farbbereich, den ein Gerät erzeugen kann. Der sRGB-Farbraum ist der gängigste Standard für Web- und Verbrauchergeräte und soll ein gewisses Maß an Konsistenz gewährleisten. Professionelle Geräte verwenden jedoch möglicherweise Adobe RGB oder ProPhoto RGB, die einen größeren Farbbereich auf Kosten der Kompatibilität bieten.

Für die erweiterte Bildverarbeitung und wissenschaftliche Anwendungen, bei denen Präzision an erster Stelle steht, bieten Varianten des RGB-Formats wie scRGB erweiterte Farbbereiche und eine höhere Präzision durch die Verwendung größerer Bittiefen und die Einbeziehung negativer Werte. Diese Formate wurden entwickelt, um einige der Einschränkungen von RGB zu überwinden und eine breitere und genauere Farbdarstellung zu bieten, erfordern jedoch eine ausgefeiltere Softwareunterstützung und Hardwarefunktionen.

Ein weiterer Aspekt, der bei der Verwendung des RGB-Formats zu berücksichtigen ist, ist seine Rolle bei der Entwicklung von Algorithmen für Bilderkennung und maschinelles Sehen. Die Fähigkeit, Bilder auf Pixelebene zu analysieren und zu bearbeiten, Farben und Formen zu unterscheiden, ist für zahlreiche Anwendungen von autonomen Fahrzeugen bis hin zu Gesichtserkennungstechnologien von grundlegender Bedeutung. Die Einfachheit und Universalität des RGB-Formats erleichtert die Entwicklung dieser Technologien und bietet einen konsistenten Rahmen für Bilddaten.

Das RGB-Format überschneidet sich auch mit aufkommenden Technologien wie High Dynamic Range (HDR)-Bildgebung, die darauf abzielt, den Luminanzbereich in Bildern zu erweitern, was zu Bildern führt, die dem breiten Bereich von Lichtintensitäten, die das menschliche Auge wahrnehmen kann, näher kommen. HDR-Techniken beinhalten oft die Arbeit mit RGB-Werten in einer Weise, die über die herkömmlichen 8-Bit-pro-Kanal-Beschränkungen hinausgeht, wobei mehr Bits pro Kanal genutzt werden, um mehr Details sowohl in Schatten als auch in Lichtern zu erfassen.

Darüber hinaus beschränken sich die Prinzipien, die dem RGB-Format zugrunde liegen, nicht auf statische Bilder, sondern erstrecken sich auch auf die Videotechnologie. Die Darstellung von Bewegtbildern in digitaler Form basiert auf ähnlichen Konzepten, wobei Videocodecs RGB-Daten (oder Daten in von RGB abgeleiteten Formaten wie YUV) im Zeitverlauf kodieren und dekodieren. Dies hat immense Auswirkungen auf Streaming-Medien, digitale Übertragung und Inhaltserstellung, wo die effiziente Verarbeitung von RGB-Daten die Qualitäts- und Bandbreitenanforderungen erheblich beeinflussen kann.

In Anbetracht der Umweltauswirkungen wirft die weit verbreitete Verwendung von RGB-basierten Geräten Bedenken hinsichtlich des Energieverbrauchs auf. Insbesondere Displays gehören zu den energiehungrigsten Komponenten elektronischer Geräte. Das Streben nach höheren Auflösungen und Bildqualität führt zu erhöhten Rechenanforderungen und Energieverbrauch. Dies hat die Forschung zu energieeffizienteren Methoden zur Erzeugung und Anzeige von RGB-Bildern vorangetrieben, einschließlich Fortschritten in der LED-Technologie und Methoden zur Reduzierung der verarbeiteten und übertragenen Datenmenge, ohne die Bildqualität zu beeinträchtigen.

Mit Blick auf die Zukunft wird die Entwicklung der RGB-Bildgebungstechnologie weiterhin von Fortschritten in der Materialwissenschaft, Rechenleistung und digitalen Kommunikationsstandards beeinflusst. Beispielsweise hat die Entwicklung von Quantenpunkten und organischen LEDs (OLEDs) neue Wege zur Herstellung von Displays mit höherer Helligkeit, Kontrast und Farbtreue eröffnet. Parallel dazu zielen Fortschritte bei Komprimierungsalgorithmen und die Einführung effizienterer Bildformate darauf ab, die Bandbreiten- und Speicherherausforderungen zu bewältigen, die durch hochauflösende RGB-Bilder entstehen.

Zusammenfassend lässt sich sagen, dass das RGB-Bildformat ein grundlegender Aspekt der digitalen Bildgebung ist, der eine breite Palette von Technologien untermauert, die zu einem integralen Bestandteil des modernen Lebens geworden sind. Seine Bedeutung geht über die bloße Farbwiedergabe hinaus und beeinflusst Aspekte der Technologieentwicklung, der ökologischen Nachhaltigkeit und des Strebens nach immer naturgetreueren digitalen Darstellungen der Welt. Trotz Herausforderungen und Einschränkungen versprechen laufende Innovationen in Hardware, Software und Standards, die Fähigkeiten und Anwendungen des RGB-Formats zu verbessern und seine anhaltende Relevanz im digitalen Zeitalter sicherzustellen.

Unterstützte Formate

AAI.aai

AAI Dune Bild

AI.ai

Adobe Illustrator CS2

AVIF.avif

AV1 Bildformat

AVS.avs

AVS X Bild

BAYER.bayer

Rohes Bayer-Bild

BMP.bmp

Microsoft Windows Bitmap-Bild

CIN.cin

Cineon-Bilddatei

CLIP.clip

Bild-Clip-Maske

CMYK.cmyk

Rohcyan-, Magenta-, Gelb- und Schwarzproben

CMYKA.cmyka

Rohcyan-, Magenta-, Gelb-, Schwarz- und Alpha-Proben

CUR.cur

Microsoft-Symbol

DCX.dcx

ZSoft IBM PC mehrseitige Paintbrush

DDS.dds

Microsoft DirectDraw-Oberfläche

DPX.dpx

SMTPE 268M-2003 (DPX 2.0) Bild

DXT1.dxt1

Microsoft DirectDraw-Oberfläche

EPDF.epdf

Eingekapseltes tragbares Dokumentenformat

EPI.epi

Adobe Encapsulated PostScript Interchange-Format

EPS.eps

Adobe Encapsulated PostScript

EPSF.epsf

Adobe Encapsulated PostScript

EPSI.epsi

Adobe Encapsulated PostScript Interchange-Format

EPT.ept

Eingekapseltes PostScript mit TIFF-Vorschau

EPT2.ept2

Eingekapseltes PostScript Level II mit TIFF-Vorschau

EXR.exr

Bild mit hohem Dynamikbereich (HDR)

FARBFELD.ff

Farbfeld

FF.ff

Farbfeld

FITS.fits

Flexibles Bildtransport-System

GIF.gif

CompuServe-Grafikaustauschformat

GIF87.gif87

CompuServe-Grafikaustauschformat (Version 87a)

GROUP4.group4

Rohes CCITT Group4

HDR.hdr

Bild mit hohem Dynamikbereich (HDR)

HRZ.hrz

Slow Scan TeleVision

ICO.ico

Microsoft-Symbol

ICON.icon

Microsoft-Symbol

IPL.ipl

IP2 Location Image

J2C.j2c

JPEG-2000 Codestream

J2K.j2k

JPEG-2000 Codestream

JNG.jng

JPEG Network Graphics

JP2.jp2

JPEG-2000 Dateiformat Syntax

JPC.jpc

JPEG-2000 Codestream

JPE.jpe

Joint Photographic Experts Group JFIF-Format

JPEG.jpeg

Joint Photographic Experts Group JFIF-Format

JPG.jpg

Joint Photographic Experts Group JFIF-Format

JPM.jpm

JPEG-2000 Dateiformat Syntax

JPS.jps

Joint Photographic Experts Group JPS-Format

JPT.jpt

JPEG-2000 Dateiformat Syntax

JXL.jxl

JPEG XL-Bild

MAP.map

Multi-Resolution Seamless Image Database (MrSID)

MAT.mat

MATLAB-Level-5-Bildformat

PAL.pal

Palm-Pixmap

PALM.palm

Palm-Pixmap

PAM.pam

Allgemeines zweidimensionales Bitmap-Format

PBM.pbm

Portable Bitmap-Format (schwarz-weiß)

PCD.pcd

Photo-CD

PCDS.pcds

Photo-CD

PCT.pct

Apple Macintosh QuickDraw/PICT

PCX.pcx

ZSoft IBM PC Paintbrush

PDB.pdb

Palm Database ImageViewer-Format

PDF.pdf

Portable Document Format

PDFA.pdfa

Portable Document Archive-Format

PFM.pfm

Portable Float-Format

PGM.pgm

Portable Graymap-Format (Graustufen)

PGX.pgx

JPEG-2000 unkomprimiertes Format

PICON.picon

Persönliches Icon

PICT.pict

Apple Macintosh QuickDraw/PICT

PJPEG.pjpeg

Joint Photographic Experts Group JFIF-Format

PNG.png

Portable Network Graphics

PNG00.png00

PNG mit Bit-Tiefe und Farbtyp vom Originalbild erben

PNG24.png24

Opakes oder binäres transparentes 24-Bit-RGB (zlib 1.2.11)

PNG32.png32

Opakes oder binäres transparentes 32-Bit-RGBA

PNG48.png48

Opakes oder binäres transparentes 48-Bit-RGB

PNG64.png64

Opakes oder binäres transparentes 64-Bit-RGBA

PNG8.png8

Opakes oder binäres transparentes 8-Bit-Indexed

PNM.pnm

Portable Anymap

PPM.ppm

Portable Pixmap-Format (Farbe)

PS.ps

Adobe PostScript-Datei

PSB.psb

Adobe Large Document-Format

PSD.psd

Adobe Photoshop-Bitmap

RGB.rgb

Rohdaten für rote, grüne und blaue Proben

RGBA.rgba

Rohdaten für rote, grüne, blaue und Alpha-Proben

RGBO.rgbo

Rohdaten für rote, grüne, blaue und Opazität-Proben

SIX.six

DEC SIXEL-Grafikformat

SUN.sun

Sun Rasterfile

SVG.svg

Skalierbare Vektorgrafiken

SVGZ.svgz

Komprimierte skalierbare Vektorgrafiken

TIFF.tiff

Tagged Image File Format

VDA.vda

Truevision-Targa-Bild

VIPS.vips

VIPS-Bild

WBMP.wbmp

Wireless Bitmap (Level 0) Bild

WEBP.webp

WebP-Bildformat

YUV.yuv

CCIR 601 4:1:1 oder 4:2:2

Häufig gestellte Fragen

Wie funktioniert das?

Dieser Konverter läuft vollständig in Ihrem Browser. Wenn Sie eine Datei auswählen, wird sie in den Speicher geladen und in das ausgewählte Format konvertiert. Sie können dann die konvertierte Datei herunterladen.

Wie lange dauert es, eine Datei zu konvertieren?

Konvertierungen starten sofort und die meisten Dateien werden in weniger als einer Sekunde konvertiert. Größere Dateien können länger dauern.

Was passiert mit meinen Dateien?

Ihre Dateien werden niemals auf unsere Server hochgeladen. Sie werden in Ihrem Browser konvertiert und die konvertierte Datei wird dann heruntergeladen. Wir sehen Ihre Dateien nie.

Welche Dateitypen kann ich konvertieren?

Wir unterstützen die Konvertierung zwischen allen Bildformaten, einschließlich JPEG, PNG, GIF, WebP, SVG, BMP, TIFF und mehr.

Wie viel kostet das?

Dieser Konverter ist komplett kostenlos und wird immer kostenlos sein. Da er in Ihrem Browser läuft, müssen wir keine Server bezahlen, daher müssen wir Ihnen keine Gebühren berechnen.

Kann ich mehrere Dateien gleichzeitig konvertieren?

Ja! Sie können so viele Dateien gleichzeitig konvertieren, wie Sie möchten. Wählen Sie einfach mehrere Dateien aus, wenn Sie sie hinzufügen.