Pengenalan Karakter Optik (OCR) mengubah gambar teks—pindaian, foto ponsel cerdas, PDF—menjadi string yang dapat dibaca mesin dan, semakin, data terstruktur. OCR modern adalah alur kerja yang membersihkan gambar, menemukan teks, membacanya, dan mengekspor metadata yang kaya sehingga sistem hilir dapat mencari, mengindeks, atau mengekstrak bidang. Dua standar output yang banyak digunakan adalah hOCR, sebuah format mikro HTML untuk teks dan tata letak, dan ALTO XML, sebuah skema berorientasi perpustakaan/arsip; keduanya mempertahankan posisi, urutan baca, dan isyarat tata letak lainnya dan didukung oleh mesin populer seperti Tesseract.
Pra-pemrosesan. Kualitas OCR dimulai dengan pembersihan gambar: konversi skala abu-abu, penghilangan noise, thresholding (binerisasi), dan deskewing. Tutorial OpenCV kanonik mencakup global, adaptif dan Otsu thresholding—pokok untuk dokumen dengan pencahayaan tidak seragam atau histogram bimodal. Ketika iluminasi bervariasi dalam satu halaman (pikirkan jepretan telepon), metode adaptif seringkali mengungguli ambang batas global tunggal; Otsu secara otomatis memilih ambang batas dengan menganalisis histogram. Koreksi kemiringan sama pentingnya: deskewing berbasis Hough (Transformasi Garis Hough) yang dipasangkan dengan binerisasi Otsu adalah resep umum dan efektif dalam alur kerja pra-pemrosesan produksi.
Deteksi vs. pengenalan. OCR biasanya dibagi menjadi deteksi teks (di mana teksnya ?) dan pengenalan teks (apa isinya?). Dalam pemandangan alam dan banyak pindaian, detektor konvolusional sepenuhnya seperti EAST secara efisien memprediksi kuadrilateral tingkat kata atau baris tanpa tahap proposal yang berat dan diimplementasikan dalam toolkit umum (misalnya, tutorial deteksi teks OpenCV). Pada halaman yang kompleks (koran, formulir, buku), segmentasi baris/wilayah dan inferensi urutan baca penting:Kraken mengimplementasikan segmentasi zona/garis tradisional dan segmentasi baseline saraf, dengan dukungan eksplisit untuk berbagai skrip dan arah (LTR/RTL/vertikal).
Model pengenalan. Kuda beban open-source klasik Tesseract (sumber terbuka oleh Google, dengan akar di HP) berevolusi dari pengklasifikasi karakter menjadi pengenal urutan berbasis LSTM dan dapat menghasilkan PDF yang dapat dicari, output ramah hOCR/ALTO, dan lainnya dari CLI. Pengenal modern mengandalkan pemodelan urutan tanpa karakter yang telah disegmentasi sebelumnya. Klasifikasi Temporal Connectionist (CTC) tetap menjadi dasar, mempelajari penyelarasan antara urutan fitur input dan string label output; ini banyak digunakan dalam alur kerja tulisan tangan dan teks pemandangan.
Dalam beberapa tahun terakhir, Transformer telah membentuk kembali OCR. TrOCR menggunakan encoder Vision Transformer plus decoder Text Transformer, dilatih pada korpora sintetis besar kemudian disesuaikan dengan data nyata, dengan kinerja yang kuat di seluruh tolok ukur cetak, tulisan tangan, dan teks pemandangan (lihat juga Dokumentasi Hugging Face). Secara paralel, beberapa sistem menghindari OCR untuk pemahaman hilir: Donut (Document Understanding Transformer) adalah encoder-decoder bebas OCR yang secara langsung menghasilkan jawaban terstruktur (seperti JSON kunci-nilai) dari dokumen gambar (repo, kartu model), menghindari akumulasi kesalahan saat langkah OCR terpisah memberi makan sistem IE.
Jika Anda ingin membaca teks yang disertakan dengan baterai di banyak skrip, EasyOCR menawarkan API sederhana dengan 80+ model bahasa, mengembalikan kotak, teks, dan kepercayaan—berguna untuk prototipe dan skrip non-Latin. Untuk dokumen bersejarah, Kraken bersinar dengan segmentasi baseline dan urutan baca yang sadar skrip; untuk pelatihan tingkat baris yang fleksibel, Calamari membangun di atas garis keturunan Ocropy (Ocropy) dengan pengenal (multi-)LSTM+CTC dan CLI untuk menyempurnakan model kustom.
Generalisasi bergantung pada data. Untuk tulisan tangan, Database Tulisan Tangan IAM menyediakan kalimat bahasa Inggris yang beragam penulis untuk pelatihan dan evaluasi; ini adalah set referensi yang sudah lama ada untuk pengenalan baris dan kata. Untuk teks pemandangan, COCO-Text melapisi anotasi ekstensif di atas MS-COCO, dengan label untuk cetak/tulisan tangan, terbaca/tidak terbaca, skrip, dan transkripsi penuh (lihat juga halaman proyek asli). Bidang ini juga sangat bergantung pada pra-pelatihan sintetis: SynthText in the Wild merender teks ke dalam foto dengan geometri dan pencahayaan yang realistis, menyediakan volume data yang sangat besar untuk pra-pelatihan detektor dan pengenal (referensi kode & data).
Kompetisi di bawah payung Robust Reading ICDAR menjaga evaluasi tetap membumi. Tugas-tugas terbaru menekankan deteksi/pembacaan ujung-ke-ujung dan mencakup menghubungkan kata-kata menjadi frasa, dengan pelaporan kode resmi presisi/perolehan kembali/F-score, persimpangan-atas-gabungan (IoU), dan metrik jarak edit tingkat karakter—mencerminkan apa yang harus dilacak oleh para praktisi.
OCR jarang berakhir pada teks biasa. Arsip dan perpustakaan digital lebih suka ALTO XML karena mengkodekan tata letak fisik (blok/baris/kata dengan koordinat) di samping konten, dan itu berpasangan dengan baik dengan kemasan METS. hOCR mikroformat, sebaliknya, menyematkan ide yang sama ke dalam HTML/CSS menggunakan kelas seperti ocr_line dan ocrx_word, membuatnya mudah untuk ditampilkan, diedit, dan diubah dengan perkakas web. Tesseract mengekspos keduanya—misalnya, menghasilkan hOCR atau PDF yang dapat dicari langsung dari CLI (panduan output PDF); Pembungkus Python seperti pytesseract menambahkan kenyamanan. Konverter ada untuk menerjemahkan antara hOCR dan ALTO ketika repositori memiliki standar penyerapan tetap —lihat daftar yang dikurasi ini dari alat format file OCR.
Tren terkuat adalah konvergensi: deteksi, pengenalan, pemodelan bahasa, dan bahkan decoding khusus tugas sedang bergabung menjadi tumpukan Transformer terpadu. Pra-pelatihan pada korpora sintetis besar tetap menjadi pengganda kekuatan. Model bebas OCR akan bersaing secara agresif di mana pun targetnya adalah output terstruktur daripada transkrip verbatim. Harapkan juga penerapan hibrida: detektor ringan plus pengenal gaya TrOCR untuk teks bentuk panjang, dan model gaya Donat untuk formulir dan tanda terima.
Tesseract (GitHub) · Dokumentasi Tesseract · Spesifikasi hOCR · Latar belakang ALTO · Detektor EAST · Deteksi Teks OpenCV · TrOCR · Donut · COCO-Text · SynthText · Kraken · Calamari OCR · ICDAR RRC · pytesseract · Tulisan Tangan IAM · Alat format file OCR · EasyOCR
Optical Character Recognition (OCR) adalah teknologi yang digunakan untuk mengubah berbagai jenis dokumen, seperti dokumen kertas yang telah dipindai, file PDF, atau gambar yang ditangkap oleh kamera digital, menjadi data yang dapat diedit dan dicari.
OCR bekerja dengan memindai gambar atau dokumen input, membagi gambar menjadi karakter individu, dan membandingkan setiap karakter dengan database bentuk karakter menggunakan pengenalan pola atau pengenalan fitur.
OCR digunakan dalam berbagai sektor dan aplikasi, termasuk mendigitalkan dokumen yang dicetak, mengaktifkan layanan teks-ke-suara, mengotomatisasi proses entri data, dan membantu pengguna dengan gangguan penglihatan untuk berinteraksi lebih baik dengan teks.
Meskipun telah ada kemajuan besar dalam teknologi OCR, tetapi itu tidak sempurna. Akurasi dapat bervariasi tergantung pada kualitas dokumen asli dan spesifik dari software OCR yang digunakan.
Meskipun OCR sebagian besar dirancang untuk teks cetak, beberapa sistem OCR lanjutan juga mampu mengenali tulisan tangan yang jelas dan konsisten. Namun, biasanya pengenalan tulisan tangan kurang akurat karena variasi besar dalam gaya tulisan individu.
Ya, banyak sistem software OCR dapat mengenali beberapa bahasa. Namun, penting untuk memastikan bahwa bahasa spesifik tersebut didukung oleh software yang Anda gunakan.
OCR berarti Optical Character Recognition dan digunakan untuk mengenali teks cetak, sedangkan ICR, atau Intelligent Character Recognition, lebih canggih dan digunakan untuk mengenali teks tulisan tangan.
OCR bekerja terbaik dengan font yang jelas, mudah dibaca dan ukuran teks standar. Meski bisa bekerja dengan berbagai font dan ukuran, akurasi cenderung menurun ketika berhadapan dengan font yang tidak biasa atau ukuran teks sangat kecil.
OCR bisa kesulitan dengan dokumen beresolusi rendah, font yang rumit, teks yang dicetak buruk, tulisan tangan, dan dokumen dengan latar belakang yang mengganggu teks. Juga, meskipun dapat bekerja dengan banyak bahasa, mungkin tidak mencakup setiap bahasa secara sempurna.
Ya, OCR dapat memindai teks berwarna dan latar belakang berwarna, meskipun umumnya lebih efektif dengan kombinasi warna kontras tinggi, seperti teks hitam pada latar belakang putih. Akurasi mungkin berkurang ketika warna teks dan latar belakang tidak memiliki kontras yang cukup.
Format gambar JPS, kependekan dari JPEG Stereo, adalah format file yang digunakan untuk menyimpan foto stereoskopik yang diambil oleh kamera digital atau dibuat oleh perangkat lunak perender 3D. Pada dasarnya, ini adalah susunan dua gambar JPEG secara berdampingan dalam satu file yang, ketika dilihat melalui perangkat lunak atau perangkat keras yang sesuai, memberikan efek 3D. Format ini sangat berguna untuk menciptakan ilusi kedalaman pada gambar, yang meningkatkan pengalaman menonton bagi pengguna dengan sistem tampilan atau kacamata 3D yang kompatibel.
Format JPS memanfaatkan teknik kompresi JPEG (Joint Photographic Experts Group) yang sudah mapan untuk menyimpan kedua gambar. JPEG adalah metode kompresi lossy, yang berarti mengurangi ukuran file dengan membuang informasi yang kurang penting secara selektif, seringkali tanpa penurunan kualitas gambar yang terlihat oleh mata manusia. Hal ini membuat file JPS relatif kecil dan mudah dikelola, meskipun berisi dua gambar, bukan satu.
File JPS pada dasarnya adalah file JPEG dengan struktur tertentu. Ini berisi dua gambar terkompresi JPEG berdampingan dalam satu bingkai. Gambar-gambar ini disebut gambar mata kiri dan mata kanan, dan mereka mewakili perspektif yang sedikit berbeda dari pemandangan yang sama, meniru sedikit perbedaan antara apa yang dilihat oleh masing-masing mata kita. Perbedaan inilah yang memungkinkan persepsi kedalaman ketika gambar dilihat dengan benar.
Resolusi standar untuk gambar JPS biasanya dua kali lebar gambar JPEG standar untuk mengakomodasi gambar kiri dan kanan. Misalnya, jika gambar JPEG standar memiliki resolusi 1920x1080 piksel, gambar JPS akan memiliki resolusi 3840x1080 piksel, dengan setiap gambar berdampingan menempati setengah dari total lebar. Namun, resolusi dapat bervariasi tergantung pada sumber gambar dan penggunaan yang dimaksudkan.
Untuk melihat gambar JPS dalam 3D, penampil harus menggunakan perangkat tampilan atau perangkat lunak yang kompatibel yang dapat menginterpretasikan gambar berdampingan dan menyajikannya ke setiap mata secara terpisah. Hal ini dapat dicapai melalui berbagai metode, seperti anaglyph 3D, di mana gambar difilter berdasarkan warna dan dilihat dengan kacamata berwarna; 3D terpolarisasi, di mana gambar diproyeksikan melalui filter terpolarisasi dan dilihat dengan kacamata terpolarisasi; atau rana aktif 3D, di mana gambar ditampilkan secara bergantian dan disinkronkan dengan kacamata rana yang membuka dan menutup dengan cepat untuk menunjukkan gambar yang benar ke setiap mata.
Struktur file gambar JPS mirip dengan file JPEG standar. Ini berisi header, yang menyertakan penanda SOI (Start of Image), diikuti oleh serangkaian segmen yang berisi berbagai bagian metadata dan data gambar itu sendiri. Segmen tersebut mencakup penanda APP (Aplikasi), yang dapat berisi informasi seperti metadata Exif, dan segmen DQT (Define Quantization Table), yang mendefinisikan tabel kuantisasi yang digunakan untuk mengompresi data gambar.
Salah satu segmen kunci dalam file JPS adalah segmen JFIF (JPEG File Interchange Format), yang menetapkan bahwa file tersebut sesuai dengan standar JFIF. Segmen ini penting untuk memastikan kompatibilitas dengan berbagai perangkat lunak dan perangkat keras. Ini juga mencakup informasi seperti rasio aspek dan resolusi gambar mini, yang dapat digunakan untuk pratinjau cepat.
Data gambar aktual dalam file JPS disimpan dalam segmen SOS (Start of Scan), yang mengikuti segmen header dan metadata. Segmen ini berisi data gambar terkompresi untuk gambar kiri dan kanan. Data dikodekan menggunakan algoritma kompresi JPEG, yang melibatkan serangkaian langkah termasuk konversi ruang warna, subsampling, transformasi kosinus diskrit (DCT), kuantisasi, dan pengkodean entropi.
Konversi ruang warna adalah proses mengonversi data gambar dari ruang warna RGB, yang biasa digunakan pada kamera digital dan tampilan komputer, ke ruang warna YCbCr, yang digunakan dalam kompresi JPEG. Konversi ini memisahkan gambar menjadi komponen luminansi (Y), yang mewakili tingkat kecerahan, dan dua komponen krominansi (Cb dan Cr), yang mewakili informasi warna. Ini bermanfaat untuk kompresi karena mata manusia lebih sensitif terhadap perubahan kecerahan daripada warna, memungkinkan kompresi komponen krominansi yang lebih agresif tanpa mempengaruhi kualitas gambar yang dirasakan secara signifikan.
Subsampling adalah proses yang memanfaatkan sensitivitas mata manusia yang lebih rendah terhadap detail warna dengan mengurangi resolusi komponen krominansi relatif terhadap komponen luminansi. Rasio subsampling umum termasuk 4:4:4 (tanpa subsampling), 4:2:2 (mengurangi resolusi horizontal krominansi hingga setengahnya), dan 4:2:0 (mengurangi resolusi horizontal dan vertikal krominansi hingga setengahnya). Pilihan rasio subsampling dapat mempengaruhi keseimbangan antara kualitas gambar dan ukuran file.
Transformasi kosinus diskrit (DCT) diterapkan pada blok kecil gambar (biasanya 8x8 piksel) untuk mengubah data domain spasial menjadi domain frekuensi. Langkah ini sangat penting untuk kompresi JPEG karena memungkinkan pemisahan detail gambar menjadi komponen dengan kepentingan yang bervariasi, dengan komponen frekuensi yang lebih tinggi seringkali kurang terlihat oleh mata manusia. Komponen-komponen ini kemudian dapat dikuantisasi, atau dikurangi presisinya, untuk mencapai kompresi.
Kuantisasi adalah proses memetakan rentang nilai ke nilai kuantum tunggal, yang secara efektif mengurangi presisi koefisien DCT. Di sinilah sifat lossy dari kompresi JPEG berperan, karena beberapa informasi gambar dibuang. Tingkat kuantisasi ditentukan oleh tabel kuantisasi yang ditentukan dalam segmen DQT, dan dapat disesuaikan untuk menyeimbangkan kualitas gambar dengan ukuran file.
Langkah terakhir dalam proses kompresi JPEG adalah pengkodean entropi, yang merupakan bentuk kompresi lossless. Metode yang paling umum digunakan dalam JPEG adalah pengkodean Huffman, yang memberikan kode yang lebih pendek untuk nilai yang lebih sering dan kode yang lebih panjang untuk nilai yang lebih jarang. Ini mengurangi ukuran keseluruhan data gambar tanpa kehilangan informasi lebih lanjut.
Selain teknik kompresi JPEG standar, format JPS juga dapat menyertakan metadata spesifik yang berkaitan dengan sifat stereoskopik gambar. Metadata ini dapat mencakup informasi tentang pengaturan paralaks, titik konvergensi, dan data lain apa pun yang mungkin diperlukan untuk menampilkan efek 3D dengan benar. Metadata ini biasanya disimpan di segmen APP file.
Format JPS didukung oleh berbagai aplikasi perangkat lunak dan perangkat, termasuk televisi 3D, headset VR, dan penampil foto khusus. Namun, ini tidak didukung secara luas seperti format JPEG standar, sehingga pengguna mungkin perlu menggunakan perangkat lunak tertentu atau mengonversi file JPS ke format lain untuk kompatibilitas yang lebih luas.
Salah satu tantangan dengan format JPS adalah memastikan bahwa gambar kiri dan kanan sejajar dengan benar dan memiliki paralaks yang benar. Kesalahan penyelarasan atau paralaks yang salah dapat menyebabkan pengalaman menonton yang tidak nyaman dan dapat menyebabkan ketegangan mata atau sakit kepala. Oleh karena itu, penting bagi fotografer dan seniman 3D untuk menangkap atau membuat gambar dengan hati-hati dengan parameter stereoskopik yang benar.
Sebagai kesimpulan, format gambar JPS adalah format file khusus yang dirancang untuk menyimpan dan menampilkan gambar stereoskopik. Ini dibangun di atas teknik kompresi JPEG yang sudah mapan untuk menciptakan cara yang ringkas dan efisien untuk menyimpan foto 3D. Meskipun menawarkan pengalaman menonton yang unik, format ini memerlukan perangkat keras atau perangkat lunak yang kompatibel untuk melihat gambar dalam 3D, dan mungkin menghadirkan tantangan dalam hal penyelarasan dan paralaks. Terlepas dari tantangan ini, format JPS tetap menjadi alat yang berharga bagi fotografer, seniman 3D, dan penggemar yang ingin menangkap dan berbagi kedalaman dan realisme dunia dalam format digital.
Konverter ini berjalan sepenuhnya di browser Anda. Saat Anda memilih file, file tersebut dibaca ke dalam memori dan dikonversi ke format yang dipilih. Anda kemudian dapat mengunduh file yang telah dikonversi.
Konversi dimulai secara instan, dan sebagian besar file dikonversi dalam waktu kurang dari satu detik. File yang lebih besar mungkin membutuhkan waktu lebih lama.
File Anda tidak pernah diunggah ke server kami. File tersebut dikonversi di browser Anda, dan file yang telah dikonversi kemudian diunduh. Kami tidak pernah melihat file Anda.
Kami mendukung konversi antara semua format gambar, termasuk JPEG, PNG, GIF, WebP, SVG, BMP, TIFF, dan banyak lagi.
Konverter ini sepenuhnya gratis, dan akan selalu gratis. Karena berjalan di browser Anda, kami tidak perlu membayar server, jadi kami tidak perlu menagih Anda.
Ya! Anda dapat mengonversi file sebanyak yang Anda inginkan sekaligus. Cukup pilih beberapa file saat Anda menambahkannya.