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 (जॉइंट फोटोग्राफिक एक्सपर्ट्स ग्रुप) इमेज फॉर्मेट, जिसे आमतौर पर JPG के रूप में जाना जाता है, डिजिटल इमेज के लिए लॉसी कम्प्रेशन की एक व्यापक रूप से उपयोग की जाने वाली विधि है, विशेष रूप से डिजिटल फोटोग्राफी द्वारा निर्मित उन इमेज के लिए। कम्प्रेशन की डिग्री को समायोजित किया जा सकता है, जिससे स्टोरेज साइज़ और इमेज क्वालिटी के बीच एक चयन योग्य ट्रेड-ऑफ की अनुमति मिलती है। JPEG आमतौर पर इमेज क्वालिटी में थोड़े से बोधगम्य नुकसान के साथ 10:1 कम्प्रेशन प्राप्त करता है।
JPEG कम्प्रेशन का उपयोग कई इमेज फ़ाइल फॉर्मेट में किया जाता है। JPEG/Exif डिजिटल कैमरों और अन्य फोटोग्राफिक इमेज कैप्चर डिवाइस द्वारा उपयोग किया जाने वाला सबसे आम इमेज फॉर्मेट है; JPEG/JFIF के साथ, यह वर्ल्ड वाइड वेब पर फोटोग्राफिक इमेज को स्टोर करने और ट्रांसमिट करने के लिए सबसे आम फॉर्मेट है। इन फॉर्मेट भिन्नताओं को अक्सर अलग नहीं किया जाता है, और इन्हें केवल JPEG कहा जाता है।
JPEG फॉर्मेट में कई मानक शामिल हैं, जिनमें JPEG/Exif, JPEG/JFIF और JPEG 2000 शामिल हैं, जो एक नया मानक है जो उच्च कम्प्यूटेशनल जटिलता के साथ बेहतर कम्प्रेशन दक्षता प्रदान करता है। JPEG मानक जटिल है, जिसमें विभिन्न भाग और प्रोफाइल हैं, लेकिन सबसे अधिक उपयोग किया जाने वाला JPEG मानक बेसलाइन JPEG है, जिसका उल्लेख अधिकांश लोग 'JPEG' इमेज का उल्लेख करते समय करते हैं।
JPEG कम्प्रेशन एल्गोरिथम अपने मूल में एक असतत कोसाइन ट्रांसफॉर्म (DCT) आधारित कम्प्रेशन तकनीक है। DCT एक फूरियर-संबं धित ट्रांसफॉर्म है जो असतत फूरियर ट्रांसफॉर्म (DFT) के समान है, लेकिन केवल कोसाइन फ़ंक्शन का उपयोग करता है। DCT का उपयोग इसलिए किया जाता है क्योंकि इसमें स्पेक्ट्रम के निचले आवृत्ति क्षेत्र में अधिकांश सिग्नल को केंद्रित करने का गुण होता है, जो प्राकृतिक इमेज के गुणों के साथ अच्छी तरह से संबंधित होता है।
JPEG कम्प्रेशन प्रक्रिया में कई चरण शामिल हैं। प्रारंभ में, इमेज को उसके मूल रंग स्थान (आमतौर पर RGB) से एक अलग रंग स्थान में परिवर्तित किया जाता है जिसे YCbCr के रूप में जाना जाता है। YCbCr रंग स्थान इमेज को एक ल्यूमिनेंस घटक (Y) में अलग करता है, जो चमक के स्तर का प्रतिनिधित्व करता है, और दो क्रोमिनेंस घटक (Cb और Cr), जो रंग की जानकारी का प्रतिनिधित्व करते हैं। यह पृथक्करण फायदेमंद है क्योंकि मानवीय आँख रंग की तुलना में चमक में भिन्नताओं के प्रति अधिक संवेदनशील होती है, जिससे क्रोमिनेंस घटकों के अधि क आक्रामक कम्प्रेशन की अनुमति मिलती है, जो कथित इमेज क्वालिटी को महत्वपूर्ण रूप से प्रभावित किए बिना होती है।
रंग स्थान रूपांतरण के बाद, इमेज को ब्लॉक में विभाजित किया जाता है, आमतौर पर आकार में 8x8 पिक्सेल। फिर प्रत्येक ब्लॉक को अलग से संसाधित किया जाता है। प्रत्येक ब्लॉक के लिए, DCT लागू किया जाता है, जो स्थानिक डोमेन डेटा को आवृत्ति डोमेन डेटा में बदल देता है। यह चरण महत्वपूर्ण है क्योंकि यह इमेज डेटा को कम्प्रेशन के लिए अधिक उपयुक्त बनाता है, क्योंकि प्राकृतिक इमेज में कम-आवृत्ति वाले घटक होते हैं जो उच्च-आवृत्ति वाले घटकों की तुलना में अधिक महत्वपूर्ण होते हैं।
DCT लागू होने के बाद, परिणामी गुणांक क्वांटिज़्ड होते हैं। क्वांटिज़ेशन इनपुट मानों के एक बड़े सेट को एक छोटे सेट में मैप करने की प्रक्रिया है, जो उन्हें स्टोर करने के लिए आवश्यक बिट्स की संख्या को प्रभावी ढंग से कम करता है। यह JPEG कम्प्रेशन में नुकसान का प्राथमिक स्रोत है। क्वांटिज़ेशन चरण को एक क्वांटिज़ेशन टेबल द्वारा नियंत्रित किया जाता है, जो यह निर्धारित करता है कि प्रत्येक DCT गुणांक पर कितना कम्प्रेशन लागू किया जाता है। क्वांटिज़ेशन टेबल को समायोजित करके, उपयोगकर्ता इमेज क्वालिटी और फ़ाइल साइज़ के बीच ट्रेड-ऑफ कर सकते हैं।
क्वांटिज़ेशन के बाद, गुणांकों को ज़िगज़ैग स्कैनिंग द्वारा रैखिक बनाया जाता है, जो उन्हें बढ़ती आवृत्ति के अनुसार क्रमबद्ध करता है। यह चरण महत्वपूर्ण है क्योंकि यह कम-आवृत्ति वाले गुणांकों को एक साथ समूहित करता है जो महत्वपूर्ण होने की अधिक संभावना रखते हैं, और उच्च-आवृत्ति वाले गुणांक जो क्वांटिज़ेशन के बाद शून्य या शून्य के निकट होने की अधिक संभावना रखते हैं। यह क्रम अगले चरण को सुगम बनाता है, जो एन्ट्रॉपी कोडिंग है।
एन्ट्रॉपी कोडिंग लॉसलेस कम्प्रेशन की ए क विधि है जिसे क्वांटिज़्ड DCT गुणांकों पर लागू किया जाता है। JPEG में उपयोग की जाने वाली एन्ट्रॉपी कोडिंग का सबसे सामान्य रूप हफ़मैन कोडिंग है, हालाँकि अंकगणितीय कोडिंग को भी मानक द्वारा समर्थित किया जाता है। हफ़मैन कोडिंग अधिक बार-बार आने वाले तत्वों को छोटे कोड और कम बार-बार आने वाले तत्वों को लंबे कोड असाइन करके काम करता है। चूंकि प्राकृतिक इमेज में क्वांटिज़ेशन के बाद कई शून्य या शून्य के निकट गुणांक होते हैं, विशेष रूप से उच्च-आवृत्ति वाले क्षेत्र में, हफ़मैन कोडिंग संपीड़ित डेटा के आकार को काफी कम कर सकता है।
JPEG कम्प्रेशन प्रक्रिया में अंतिम चरण संपीड़ित डेटा को एक फ़ाइल फॉर्मेट में स्टोर करना है। सबसे आम फॉर्मेट JPEG फ़ाइल इंटरचेंज फॉर्मेट (JFIF) है, जो परिभाषित करता है कि संपीड़ित डेटा और संबद्ध मेटाडेटा का प्रतिनिधित्व कैसे किया जाए, जैसे कि क्वांटिज़ेशन टेबल और हफ़मैन कोड टेबल, एक फ़ाइल में जिसे सॉफ़्टवेयर की एक विस्तृत श्रृंखला द्वारा डिकोड किया जा सकता है। एक अन्य सामान्य फॉर्मेट एक्सचेंजेबल इमेज फ़ाइल फॉर्मेट (Exif) है, जिसका उपयोग डिजिटल कैमरों द्वारा किया जाता है और इसमें कैमरा सेटिंग्स और दृश्य जानकारी जैसे मेटाडेटा शामिल होते हैं।
JPEG फ़ाइलों में मार्कर भी शामिल होते हैं, जो कोड अनुक्रम होते हैं जो फ़ाइल में कुछ मापदंडों या क्रियाओं को परिभाषित करते हैं। ये मार्कर एक इमेज की शुरुआत, एक इमेज के अंत, क्वांटिज़ेशन टेबल को परिभाषित करते हैं, हफ़मैन कोड टेबल को निर्दिष्ट करते हैं, और बहुत कुछ इंगित कर सकते हैं। JPEG इमेज के उचित डिकोडिंग के लिए मार्कर आवश्यक हैं, क्योंकि वे संपीड़ित डेटा से इमेज को फिर से बनाने के लिए आवश्यक जानकारी प्रदान करते हैं।
JPEG की प्रमुख विशेषताओं में से एक प्रगतिशील एन्कोडिंग के लिए इसका समर्थन है। प्रगतिशील JPEG में, इमेज को कई पास में एन्कोड किया जाता है, प्रत्येक इमेज क्वालिटी में सुधार करता है। यह इमेज के निम्न-गुणवत्ता वाले संस्करण को प्रदर्शित करने की अनुमति देता है जबकि फ़ाइल अभी भी डाउनलोड की जा रही है, जो विशेष रूप से वेब इमेज के लिए उपयोगी हो सकता है। प्रगतिशील JPEG फ़ाइलें आमतौर पर बेसलाइन JPEG फ़ाइलों से बड़ी होती हैं, लेकिन लोडिंग के दौरान क्व
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।