ऑप्टिकल कैरेक्टर रिकॉग्निशन (ओसीआर) टेक्स्ट की छवियों - स्कैन, स्मार्टफोन फोटो, पीडीएफ - को मशीन द्वारा पढ़े जा सकने वाले टेक्स्ट और संरचित डेटा में बदल देता है। आधुनिक ओसीआर एक पाइपलाइन है जो एक छवि को साफ करती है, टेक्स्ट ढूंढती है, उसे पढ़ती है, और समृद्ध मेटाडेटा निर्यात करती है ताकि डाउनस्ट्रीम सिस्टम डेटा को खोज, अनुक्रमित या निकाल सकें। दो व्यापक रूप से उपयोग किए जाने वाले आउटपुट मानक हैं hOCR, टेक्स्ट और लेआउट के लिए एक एचटीएमएल माइक्रोफ़ॉर्मैट, और ALTO XML, एक पुस्तकालय/अभिलेखागार-उन्मुख स्कीमा; दोनों स्थितियों, पढ़ने के क्रम और अन्य लेआउट संकेतों को संरक्षित करते हैं और लोकप्रिय इंजनों द्वारा समर्थित हैं जैसे टेसरैक्ट.
प्रीप्रोसेसिंग। ओसीआर की गुणवत्ता छवि की सफाई से शुरू होती है: ग्रेस्केल रूपांतरण, डिनोइज़िंग, थ्रेसहोल्डिंग (बिनारिज़ेशन), और डेस्क्यूइंग। कैनोनिकल ओपनसीवी ट्यूटोरियल वैश्विक, अनुकूली और ओत्सु थ्रेसहोल्डिंग को कवर करते हैं - असमान प्रकाश या बिमोडल हिस्टोग्राम वाले दस्तावेज़ों के लिए स्टेपल। जब एक पृष्ठ के भीतर रोशनी बदलती है (फोन स्नैप्स सोचें), अनुकूली तरीके अक्सर एक ही वैश्विक थ्रेसहोल्ड से बेहतर प्रदर्शन करते हैं; ओत्सु हिस्टोग्राम का विश्लेषण करके स्वचालित रूप से एक थ्रेसहोल्ड चुनता है। झुकाव सुधार समान रूप से महत्वपूर्ण है: हफ-आधारित डेस्क्यूइंग (हफ लाइन ट्रांसफॉर्म) ओत्सु बिनारिज़ेशन के साथ मिलकर उत्पादन प्रीप्रोसेसिंग पाइपलाइनों में एक आम और प्रभावी नुस्खा है।
पहचान बनाम मान्यता। ओसीआर को आम तौर पर टेक्स्ट डिटेक्शन (टेक्स्ट कहाँ है ?) और टेक्स्ट रिकॉग्निशन (यह क्या कहता है?) में विभाजित किया जाता है। प्राकृतिक दृश्यों और कई स्कैन में, पूरी तरह से कनवल्शनल डिटेक्टर जैसे ईस्ट भारी प्रस्ताव चरणों के बिना कुशलतापूर्वक शब्द- या पंक्ति-स्तरीय चतुर्भुज की भविष्यवाणी करते हैं और आम टूलकिट में लागू किए जाते हैं (जैसे, ओपनसीवी का टेक्स्ट डिटेक्शन ट्यूटोरियल)। जटिल पृष्ठों (समाचार पत्र, फॉर्म, किताबें) पर, लाइनों/क्षेत्रों का विभाजन और पढ़ने के क्रम का अनुमान मायने रखता है:क्रैकेन पारंपरिक ज़ोन/लाइन सेगमेंटेशन और न्यूरल बेसलाइन सेगमेंटेशन को लागू करता है, जिसमें विभिन्न लिपियों और दिशाओं (LTR/RTL/ऊर्ध्वाधर) के लिए स्पष्ट समर्थन होता है।
मान्यता मॉडल। क्लासिक ओपन-सोर्स वर्कहॉर्स टेसरैक्ट (Google द्वारा ओपन-सोर्स, जिसकी जड़ें HP में हैं) एक कैरेक्टर क्लासिफायर से एक LSTM-आधारित अनुक्रम पहचानकर्ता में विकसित हुआ और खोज योग्य PDF, hOCR/ALTO-अनुकूल आउटपुट, और CLI से और भी बहुत कुछ उत्सर्जित कर सकता है। आधुनिक पहचानकर्ता पूर्व-खंडित वर्णों के बिना अनुक्रम मॉडलिंग पर भरोसा करते हैं। कनेक्शनिस्ट टेम्पोरल क्लासिफिकेशन (CTC) मौलिक बनी हुई है, जो इनपुट फ़ीचर अनुक्रमों और आउटपुट लेबल स्ट्रिंग्स के बीच संरेखण सीखती है; यह व्यापक रूप से लिखावट और दृश्य-पाठ पाइपलाइनों में उपयोग किया जाता है।
पिछले कुछ वर्षों में, ट्रांसफॉर्मर्स ने ओसीआर को नया रूप दिया है। TrOCR एक विज़न ट्रांसफॉर्मर एनकोडर और एक टेक्स्ट ट्रांसफॉर्मर डिकोडर का उपयोग करता है, जिसे बड़े सिंथेटिक कॉर्पोरा पर प्रशिक्षित किया जाता है और फिर वास्तविक डेटा पर फाइन-ट्यून किया जाता है, जिसमें मुद्रित, हस्तलिखित और दृश्य-पाठ बेंचमार्क में मजबूत प्रदर्शन होता है (यह भी देखें हगिंग फेस डॉक्स)। समानांतर में, कुछ सिस्टम डाउनस्ट्रीम समझने के लिए ओसीआर को दरकिनार करते हैं: डोनट (डॉक्यूमेंट अंडरस्टैंडिंग ट्रांसफॉर्मर) एक ओसीआर-मुक्त एनकोडर-डिकोडर है जो सीधे दस्तावेज़ छवियों से संरचित उत्तर (जैसे कुंजी-मूल्य JSON) आउटपुट करता है (रेपो, मॉडल कार्ड), जब एक अलग ओसीआर चरण एक IE सिस्टम को फीड करता है तो त्रुटि संचय से बचता है।
यदि आप कई लिपियों में बैटरी-शामिल टेक्स्ट रीडिंग चाहते हैं, EasyOCR 80+ भाषा मॉडल के साथ एक सरल एपीआई प्रदान करता है, जो बॉक्स, टेक्स्ट और आत्मविश्वास लौटाता है - प्रोटोटाइप और गैर-लैटिन लिपियों के लिए आसान। ऐतिहासिक दस्तावेज़ों के लिए, क्रैकेन बेसलाइन सेगमेंटेशन और स्क्रिप्ट-अवेयर रीडिंग ऑर्डर के साथ चमकता है; लचीले लाइन-स्तरीय प्रशिक्षण के लिए, कैलामरी ओक्रॉपी वंश पर बनाता है (ओक्रॉपी) (मल्टी-)एलएसटीएम+सीटीसी पहचानकर्ताओं और कस्टम मॉडल को फाइन-ट्यून करने के लिए एक सीएलआई के साथ।
सामान्यीकरण डेटा पर निर्भर करता है। लिखावट के लिए, IAM लिखावट डेटाबेस प्रशिक्षण और मूल्यांकन के लिए लेखक-विविध अंग्रेजी वाक्य प्रदान करता है; यह लाइन और शब्द पहचान के लिए एक लंबे समय से चली आ रही संदर्भ सेट है। दृश्य पाठ के लिए, कोको-टेक्स्ट ने एमएस-कोको पर व्यापक एनोटेशन स्तरित किए, जिसमें मुद्रित/हस्तलिखित, सुपाठ्य/अपठनीय, लिपि और पूर्ण प्रतिलेखन के लिए लेबल थे (मूल परियोजना पृष्ठभी देखें)। यह क्षेत्र सिंथेटिक प्रीट्रेनिंग पर भी बहुत अधिक निर्भर करता है: सिंथटेक्स्ट इन द वाइल्ड यथार्थवादी ज्यामिति और प्रकाश के साथ तस्वीरों में पाठ प्रस्तुत करता है, डिटेक्टरों और पहचानकर्ताओं को प्रीट्रेन करने के लिए भारी मात्रा में डेटा प्रदान करता है (संदर्भ कोड और डेटा).
के तहत प्रतियोगिताएं ICDAR’s रोबस्ट रीडिंग मूल्यांकन को आधार बनाती हैं। हाल के कार्यों में एंड-टू-एंड डिटेक्शन/रीडिंग पर जोर दिया गया है और इसमें शब्दों को वाक्यांशों में जोड़ना शामिल है, जिसमें आधिकारिक कोड रिपोर्टिंग सटीकता/रिकॉल/एफ-स्कोर, इंटरसेक्शन-ओवर-यूनियन (IoU), और कैरेक्टर-लेवल एडिट-डिस्टेंस मेट्रिक्स - जो अभ्यासकर्ताओं को ट्रैक करना चाहिए, को दर्शाता है।
ओसीआर शायद ही कभी सादे पाठ पर समाप्त होता है। अभिलेखागार और डिजिटल पुस्तकालय पसंद करते हैं ALTO XML क्योंकि यह सामग्री के साथ भौतिक लेआउट (निर्देशांक के साथ ब्लॉक/लाइनें/शब्द) को एन्कोड करता है, और यह METS पैकेजिंग के साथ अच्छी तरह से मेल खाता है। hOCR माइक्रोफ़ॉर्मैट, इसके विपरीत, ocr_line और ocrx_word जैसे क्लास का उपयोग करके HTML/CSS में उसी विचार को एम्बेड करता है, जिससे वे ब टूलिंग के साथ प्रदर्शन, संपादन और रूपांतरण करना आसान हो जाता है। टेसरैक्ट दोनों को उजागर करता है - जैसे, सीएलआई से सीधे एचओसीआर या खोज योग्य पीडीएफ बनाना (पीडीएफ आउटपुट गाइड); पाइथन रैपर जैसे pytesseract सुविधा जोड़ते हैं। hOCR और ALTO के बीच अनुवाद करने के लिए कन्वर्टर्स मौजूद हैं जब रिपॉजिटरी में निश्चित अंतर्ग्रहण मानक होते हैं - इस क्यूरेटेड सूची को देखें ओसीआर फ़ाइल-प्रारूप उपकरण.
सबसे मजबूत प्रवृत्ति अभिसरण है: पहचान, मान्यता, भाषा मॉडलिंग, और यहां तक कि कार्य-विशिष्ट डिकोडिंग एकीकृत ट्रांसफार्मर स्टैक में विलीन हो रहे हैं। बड़े सिंथेटिक कॉर्पोरा पर प्री-ट्रेनिंग एक बल गुणक बना हुआ है। ओसीआर-मुक्त मॉडल आक्रामक रूप से प्रतिस्पर्धा करेंगे जहां लक्ष्य वर्बेटिम ट्रांसक्रिप्ट के बजाय संरचित आउटपुट है। हाइब्र िड परिनियोजन की भी अपेक्षा करें: एक हल्का डिटेक्टर और लंबे-फॉर्म टेक्स्ट के लिए एक TrOCR-शैली पहचानकर्ता, और फॉर्म और रसीदों के लिए एक डोनट-शैली मॉडल।
टेसरैक्ट (गिटहब) · टेसरैक्ट डॉक्स · hOCR स्पेक · ALTO पृष्ठभूमि · ईस्ट डिटेक्टर · ओपनसीवी टेक्स्ट डिटेक्शन · TrOCR · डोनट · कोको-टेक्स्ट · सिंथटेक्स्ट · क्रैकेन · कैलामरी OCR · ICDAR आरआरसी · pytesseract · IAM लिखावट · ओसीआर फ़ाइल-प्रारूप उपकरण · EasyOCR
ऑप्टिकल कैरेक्टर रिकग्निशन (OCR) एक प्रौद्योगिकी है जिसका उपयोग विभिन्न प्रकार के दस्तावेज़ों, जैसे कि कागजी दस्तावेज़, PDF फ़ाइलें या डिजिटल कैमरा द्वारा कैप्चर की गई छवियों, को संपादन योग्य और खोजनीय डेटा में परिवर्तित करने के लिए किया जाता है।
OCR एक इनपुट छवि या दस्तावेज़ को स्कैन करता है, छवि को अलग-अलग अक्षरों में बांटता है, और पैटर्न पहचान या विशेषता पहचान का उपयोग करके प्रत्येक वर्ण की तुलना करता है।
OCR का उपयोग विभिन्न क्षेत्रों और अनुप्रयोगों में किया जाता है, जैसे कि मुद्रित दस्तावेज़ों को डिजिटाइज़ करने, टेक्स्ट-टू-स्पीच सेवाओं को सक्षम करने, डेटा एंट्री प्रक्रियाओं को स्वचालित करने, और दृष्टिबाधित उपयोगकर्ताओं को टेक्स्ट के साथ बेहतर बातचीत करने सहायता करने।
हालांकि OCR प्रौद्योगिकी में काफ़ी प्रगति हुई है, लेकिन यह अचूक नहीं है। सटीकता मूल दस्तावेज़ की गुणवत्ता और उपयोग किए जा रहे OCR सॉफ़्टवेयर की बारीकियों पर निर्भर कर सकती है।
हालाँकि OCR मुद्रित टेक्स्ट के लिए मुख्य रूप से डिज़ाइन किया गया है, कुछ उन्नत OCR सिस् टम लिखावट पहचानने में भी सक्षम होते हैं। हालाँकि, आमतौर पर लिखावट की पहचान करने में कम सटीकता होती है क्योंकि व्यक्तिगत लेखन शैलियों में व्यापक भिन्नता होती है।
हाँ, कई OCR सॉफ़्टवेयर सिस्टम कई भाषाओं को पहचान सकते हैं। हालाँकि, यह महत्वपूर्ण है कि आपके उपयोग में आने वाले सॉफ़्टवेयर द्वारा विशिष्ट भाषा का समर्थन किया जा रहा हो।
OCR का अर्थ ऑप्टिकल कैरेक्टर रिकग्निशन है और इसका उपयोग मुद्रित पाठ को पहचानने के लिए किया जाता है, जबकि ICR, या इंटेलिजेंट कैरेक्टर रिकग्निशन, अधिक उन्नत है और इसका उपयोग हस्तलिखित पाठ को पहचानने के लिए किया जाता है।
OCR स्पष्ट, आसानी से पढ़ ने वाले फ़ॉन्ट और मानक टेक्स्ट आकारों के साथ सबसे अच्छा काम करता है। हालांकि यह विभिन्न फ़ॉन्ट और आकारों के साथ काम कर सकता है, लेकिन असामान्य फ़ॉन्ट्स या बहुत छोटे टेक्स्ट आकारों के साथ काम करते समय सटीकता कम होने की प्रवृत्ति होती है।
OCR को कम-रिज़ॉल्यूशन वाले दस्तावेज़ों, जटिल फ़ॉन्ट, खराब प्रिंट वाले पाठ, लिखावट, और ऐसी पृष्ठभूमि वाले दस्तावेज़ों के साथ समस्या हो सकती है जो पाठ के साथ हस्तक्षेप करती हैं। इसके अलावा, यह कई भाषाओं के साथ काम कर सकता है, लेकिन यह हर भाषा को पूरी तरह से कवर नहीं कर सकता है।
हाँ, OCR रंगीन टेक्स्ट और बैकग्राउंड को स्कैन कर सकता है, हालाँकि यह आमतौर पर उच्च-विपरीत रंग संयोजनों, जैसे कि एक सफे द पृष्ठभूमि पर काले टेक्स्ट, के साथ अधिक प्रभावी होता है। टेक्स्ट और पृष्ठभूमि रंगों में पर्याप्त विपरीतता की कमी होने पर सटीकता कम हो सकती है।
JPEG, जो कि संयुक्त फोटोग्राफिक विशेषज्ञ समूह के लिए है, डिजिटल छवियों के लिए हानिपूर्ण संपीड़न की एक सामान्यतः उपयोग की जाने वाली विधि है, विशेष रूप से डिजिटल फोटोग्राफी द्वारा निर्मित उन छवियों के लिए। संपीड़न की डिग्री को समायोजित किया जा सकता है, जिससे संग्रहण आकार और छवि गुणवत्ता के बीच एक चयन योग्य व्यापार की अनुमति मिलती है। JPEG आमतौर पर छवि गुणवत्ता में थोड़े बोधगम्य नुकसान के साथ 10:1 संपीड़न प्राप्त करता है।
JPEG संपीड़न एल्गोरिथ्म JPEG मानक के मूल में है। प्रक्रिया एक डिजिटल छवि से शुरू होती है जिसे उसके विशिष्ट RGB रंग स्थान से YCbCr नामक एक अलग रंग स्थान में परिवर्तित किया जाता है। YCbCr रंग स्थान छवि को चमक (Y) में अलग करता है, जो चमक के स्तर का प्रतिनिधित्व करता है, और क्रोमिनेंस (Cb और Cr), जो रंग की जानकारी का प्रतिनिधित्व करता है। यह पृथक्करण फायदेमंद है क्योंकि मानवीय आँख रंग की तुलना में चमक में बदलाव के प्रति अधिक संवेदनशील होती है, जिससे संपीड़न को चमक से अधिक रंग की जानकारी को संपीड़ित करके इसका लाभ उठाने की अनुमति मिलती है।
एक बार छवि YCbCr रंग स्थान में हो जाती है, तो JPEG संपीड़न प्रक्रिया में अगला कदम क्रोमिनेंस चैनलों को डाउनसैंपल करना है। डाउनसैंपलिंग क्रोमिनेंस जानकारी के रिज़ॉल्यूशन को कम करता है, जो आमतौर पर छवि की कथित गुणवत्ता को महत्वपूर्ण रूप से प्रभावित नहीं करता है, क्योंकि मानवीय आँख रंग विवरण के प्रति कम संवेदनशील होती है। यह चरण वैकल्पिक है और छवि गुणवत्ता और फ़ाइल आकार के बीच वांछित संतुलन के आधार पर इसे समायोजित किया जा सकता है।
डाउनसैंपलिंग के बाद, छवि को ब्लॉकों में विभाजित किया जाता है, आमतौर पर आकार में 8x8 पिक्सेल। फिर प्रत्येक ब्लॉक को अलग से संसाधित किया जाता है। प्रत्येक ब्लॉक को संसाधित करने में पहला कदम असतत कोसाइन ट्रांसफॉर्म (DCT) को लागू करना है। DCT एक गणितीय संक्रिया है जो स्थानिक डोमेन डेटा (पिक्सेल मान) को आवृत्ति डोमेन में बदल देती है। परिणाम आवृत्ति गुणांकों का एक मैट्रिक्स है जो छवि ब्लॉक के डेटा को उसके स्थानिक आवृत्ति घटकों के संदर्भ में दर्शाता है।
DCT से प्राप्त आवृत्ति गुणांकों को फिर क्वांटिज़ किया जाता है। क्वांटिज़ेशन इनपुट मानों के एक बड़े सेट को एक छोटे सेट में मैप करने की प्रक्रिया है - JPEG के मामले में, इसका मतलब आवृत्ति गुणांकों की परिशुद्धता को कम करना है। यहीं पर संपीड़न का हानिपूर्ण भाग होता है, क्योंकि कुछ छवि जानकारी को त्याग दिया जाता है। क्वांटिज़ेशन चरण को एक क्वांटिज़ेशन टेबल द्वारा नियंत्रित किया जाता है, जो यह निर्धारित करता है कि प्रत्येक आवृत्ति घटक पर कितना संपीड़न लागू किया जाता है। क्वांटिज़ेशन टेबल को उच्च छवि गुणवत्ता (कम संपीड़न) या छोटे फ़ाइल आकार (अधिक संपीड़न) के पक्ष में समायोजित किया जा सकता है।
क्वांटिज़ेशन के बाद, गुणांकों को एक ज़िगज़ैग क्रम में व्यवस्थित किया जाता है, जो ऊपरी-बाएँ कोने से शुरू होता है और एक पैटर्न का अनुसरण करता है जो उच्च आवृत्ति वाले लोगों पर कम आवृत्ति वाले घटकों को प्राथमिकता देता है। ऐसा इसलिए है क्योंकि कम आवृत्ति वाले घटक (जो छवि के अधिक समान भागों का प्रतिनिधित्व करते हैं) उच्च आवृत्ति वाले घटकों (जो महीन विवरण और किनारों का प्रतिनिधित्व करते हैं) की तुलना में समग्र रूप से अधिक महत्वपूर्ण होते हैं।
JPEG संपीड़न प्रक्रिया में अगला कदम एन्ट्रॉपी कोडिंग है, जो दोषरहित संपीड़न की एक विधि है। JPEG में उपयोग की जाने वाली एन्ट्रॉपी कोडिंग का सबसे सामान्य रूप हफ़मैन कोडिंग है, हालांकि अंकगणितीय कोडिंग भी एक विकल्प है। हफ़मैन कोडिंग अधिक बार होने वाली घटनाओं को छोटे कोड और कम बार होने वाली घटनाओं को लंबे कोड असाइन करके काम करता है। चूंकि ज़िगज़ैग ऑर्डरिंग समान आवृत्ति गुणांकों को एक साथ समूहित करता है, इसलिए यह हफ़मैन कोडिंग की दक्षता को बढ़ाता है।
एक बार एन्ट्रॉपी कोडिंग पूरी हो जाने के बाद, संपीड़ित डेटा को एक फ़ाइल प्रारूप में संग्रहीत किया जाता है जो JPEG मानक के अनुरूप होता है। इस फ़ाइल प्रारूप में एक हेडर शामिल होता है जिसमें छवि के बारे में जानकारी होती है, जैसे कि इसके आयाम और उपयोग की जाने वाली क्वांटिज़ेशन टेबल, इसके बाद हफ़मैन-कोडित छवि डेटा। फ़ाइल प्रारूप EXIF डेटा जैसे मेटाडेटा को शामिल करने का भी समर्थन करता है, जिसमें तस्वीर लेने के लिए उपयोग की गई कैमरा सेटिंग्स, इसे लिए गए दिनांक और समय और अन्य प्रासंगिक विवरणों के बारे में जानकारी हो सकती है।
जब एक JPEG छवि खोली जाती है, तो डीकंप्रेसन प्रक्रिया अनिवार्य रूप से संपीड़न चरणों को उलट देती है। हफ़मैन-कोडित डेटा को डिकोड किया जाता है, क्वांटिज़्ड आवृत्ति गुणांकों को उन्हीं क्वांटिज़ेशन टेबल का उपयोग करके डी-क्वांटिज़ किया जाता है जो संपीड़न के दौरान उपयोग किए गए थे, और व्युत्क्रम असतत कोसाइन ट्रांसफॉर्म (IDCT) को आवृत्ति डोमेन डेटा को वापस स्थानिक डोमेन पिक्सेल मानों में बदलने के लिए प्रत्येक ब्लॉक पर लागू किया जाता है।
डी-क्वांटिज़ेशन और IDCT प्रक्रियाएं संपीड़न की हानिपूर्ण प्रकृति के कारण कुछ त्रुटियों का परिचय देती हैं, यही वजह है कि JPEG उन छवियों के लिए आदर्श नहीं है जो कई संपादनों और पुनः-सहेजने से गुजरेंगी। हर बार जब एक JPEG छवि को सहेजा जाता है, तो यह फिर से संपीड़न प्रक्रिया से गुजरती है, और अतिरिक्त छवि जानकारी खो जाती है। इससे समय के साथ छवि गुणवत्ता में ध्यान देने योग्य गिरावट आ सकती है, एक घटना जिसे 'जनरेशन लॉस' के रूप में जाना जाता है।
JPEG संपीड़न की हानिपूर्ण प्रकृति के बावजूद, यह अपने लचीलेपन और दक्षता के कारण एक लोकप्रिय छवि प्रारूप बना हुआ है। JPEG छवियां फ़ाइल आकार में बहुत छोटी हो सकती हैं, जो उन्हें वेब पर उपयोग के लिए आदर्श बनाती हैं, जहां बैंडविड्थ और लोडिंग समय महत्वपूर्ण विचार हैं। इसके अतिरिक्त, JPEG मानक में एक प्रगतिशील मोड शामिल है, जो एक छवि को इस तरह से एन्कोड करने की अनुमति देता है कि इसे कई पास में डिकोड किया जा सकता है, प्रत्येक पास छवि के रिज़ॉल्यूशन में सुधार करता है। यह विशेष रूप से वेब छवियों के लिए उपयोगी है, क्योंकि यह छवि के निम्न-गुणवत्ता वाले संस्क रण को जल्दी से प्रदर्शित करने की अनुमति देता है, गुणवत्ता में सुधार के साथ जैसे-जैसे अधिक डेटा डाउनलोड किया जाता है।
JPEG की कुछ सीमाएँ भी हैं और यह हमेशा सभी प्रकार की छवियों के लिए सबसे अच्छा विकल्प नहीं होता है। उदाहरण के लिए, यह तेज किनारों या उच्च कंट्रास्ट टेक्स्ट वाली छवियों के लिए उपयुक्त नहीं है, क्योंकि संपीड़न इन क्षेत्रों के आसपास ध्यान देने योग्य कलाकृतियां बना सकता है। इसके अतिरिक्त, JPEG पारदर्श
यह कनवर्टर पूरी तरह से आपके ब्राउज़र में चलता है। जब आप किसी फ़ाइल का चयन करते हैं, तो उसे मेमोरी में पढ़ा जाता है और चयनित प्रारूप में परिवर्तित किया जाता है। फिर आप परिवर्तित फ़ाइल डाउनलोड कर सकते हैं।
रूपांतरण तुरंत शुरू हो जाते हैं, और अधिकांश फ़ाइलें एक सेकंड के भीतर परिवर्तित हो जाती हैं। बड़ी फ़ाइलों में अधिक समय लग सकता है।
आपकी फाइलें कभी भी हमारे सर्वर पर अपलोड नहीं की जाती हैं। वे आपके ब्राउज़र में परिवर्तित हो जाती हैं, और फिर परिवर्तित फ़ाइल डाउनलोड हो जाती है। हम आपकी फाइलें कभी नहीं देखते हैं।
हम जेपीईजी, पीएनजी, जीआईएफ, वेबपी, एसवीजी, बीएमपी, টিআইএফএফ, और अधिक सहित सभी छवि प्रारूपों के बीच रूपांतरण का समर्थन करते हैं।
यह कनवर्टर पूरी तरह से मुफ्त है, और हमेशा मुफ्त रहेगा। क्योंकि यह आपके ब्राउज़र में चलता है, हमें सर्वर के लिए भुगतान करने की आवश्यकता नहीं है, इसलिए हमें आपसे शुल्क लेने की आवश्यकता नहीं है।
हाँ! आप एक साथ जितनी चाहें उतनी फाइलें परिवर्तित कर सकते हैं। बस उन्हें जोड़ते समय कई फाइलों का चयन करें।