OCR JPS apa pun

Jatuhkan foto, pindaian, atau PDF (hingga 2.5GB). Kami mengekstrak teks langsung di browser Anda — gratis, tidak terbatas, dan file Anda tidak pernah meninggalkan perangkat Anda.

Pribadi dan aman

Semuanya terjadi di browser Anda. File Anda tidak pernah menyentuh server kami.

Sangat cepat

Tanpa mengunggah, tanpa menunggu. Konversi saat Anda meletakkan file.

Benar-benar gratis

Tidak perlu akun. Tidak ada biaya tersembunyi. Tidak ada trik ukuran file.

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.

Tur singkat alur kerja

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.

Mesin dan perpustakaan

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.

Dataset dan tolok ukur

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.

Format output dan penggunaan hilir

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.

Panduan praktis

  • Mulai dengan data & kebersihan. Jika gambar Anda adalah foto telepon atau pindaian berkualitas campuran, berinvestasi dalam thresholding (adaptif & Otsu) dan deskew (Hough) sebelum penyetelan model apa pun. Anda akan sering mendapatkan lebih banyak dari resep pra-pemrosesan yang kuat daripada dari menukar pengenal.
  • Pilih detektor yang tepat. Untuk halaman yang dipindai dengan kolom biasa, segmenter halaman (zona → baris) mungkin cukup; untuk gambar alami, detektor sekali tembak seperti EAST adalah baseline yang kuat dan dicolokkan ke banyak toolkit (Contoh OpenCV).
  • Pilih pengenal yang cocok dengan teks Anda. Untuk bahasa Latin cetak, Tesseract (LSTM/OEM) kokoh dan cepat; untuk multi-skrip atau prototipe cepat, EasyOCR produktif; untuk tulisan tangan atau jenis huruf historis, pertimbangkan Kraken atau Calamari dan rencanakan untuk menyempurnakan. Jika Anda memerlukan kopling yang erat untuk pemahaman dokumen (ekstraksi kunci-nilai, VQA), evaluasi TrOCR (OCR) versus Donut (bebas OCR) pada skema Anda—Donut dapat menghapus seluruh langkah integrasi.
  • Ukur apa yang penting. Untuk sistem ujung-ke-ujung, laporkan deteksi F-score dan pengenalan CER/WER (keduanya berdasarkan jarak edit Levenshtein ; lihat CTC); untuk tugas-tugas berat tata letak, lacak IoU/ketatnya dan jarak edit yang dinormalisasi tingkat karakter seperti di kit evaluasi ICDAR RRC .
  • Ekspor output yang kaya. Lebih suka hOCR /ALTO (atau keduanya) sehingga Anda menyimpan koordinat dan urutan baca—penting untuk penyorotan hasil pencarian, ekstraksi tabel/bidang , dan asal-usul. CLI Tesseract dan pytesseract menjadikannya satu baris.

Melihat ke depan

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.

Bacaan lebih lanjut & alat

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

Pertanyaan yang Sering Diajukan

Apa itu OCR?

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.

Bagaimana OCR bekerja?

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.

Apa beberapa aplikasi praktis dari OCR?

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.

Apakah OCR selalu 100% akurat?

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.

Bisakah OCR mengenali tulisan tangan?

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.

Bisakah OCR menangani beberapa bahasa?

Ya, banyak sistem software OCR dapat mengenali beberapa bahasa. Namun, penting untuk memastikan bahwa bahasa spesifik tersebut didukung oleh software yang Anda gunakan.

Apa perbedaan antara OCR dan ICR?

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.

Apakah OCR bekerja dengan font dan ukuran teks apa pun?

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.

Apa saja keterbatasan teknologi OCR?

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.

Bisakah OCR memindai teks berwarna atau latar belakang berwarna?

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.

Apa itu format JPS?

Format JPS Grup Ahli Fotografi Bersama

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.

Format yang didukung

AAI.aai

Gambar AAI Dune

AI.ai

Adobe Illustrator CS2

AVIF.avif

Format File Gambar AV1

BAYER.bayer

Gambar Bayer Mentah

BMP.bmp

Gambar bitmap Windows Microsoft

CIN.cin

File Gambar Cineon

CLIP.clip

Masker Klip Gambar

CMYK.cmyk

Contoh cyan, magenta, kuning, dan hitam mentah

CUR.cur

Ikon Microsoft

DCX.dcx

ZSoft IBM PC multi-page Paintbrush

DDS.dds

Microsoft DirectDraw Surface

DPX.dpx

Gambar SMTPE 268M-2003 (DPX 2.0)

DXT1.dxt1

Microsoft DirectDraw Surface

EPDF.epdf

Format Dokumen Portabel Terkapsulasi

EPI.epi

Format Interchange PostScript Terkapsulasi Adobe

EPS.eps

PostScript Terkapsulasi Adobe

EPSF.epsf

PostScript Terkapsulasi Adobe

EPSI.epsi

Format Interchange PostScript Terkapsulasi Adobe

EPT.ept

PostScript Terkapsulasi dengan pratinjau TIFF

EPT2.ept2

PostScript Level II Terkapsulasi dengan pratinjau TIFF

EXR.exr

Gambar berdynamik tinggi (HDR)

FF.ff

Farbfeld

FITS.fits

Sistem Transportasi Gambar Fleksibel

GIF.gif

Format pertukaran grafis CompuServe

HDR.hdr

Gambar Berdynamik Tinggi

HEIC.heic

Kontainer Gambar Efisiensi Tinggi

HRZ.hrz

Slow Scan TeleVision

ICO.ico

Ikon Microsoft

ICON.icon

Ikon Microsoft

J2C.j2c

Codestream JPEG-2000

J2K.j2k

Codestream JPEG-2000

JNG.jng

Grafik Jaringan JPEG

JP2.jp2

Sintaks Format File JPEG-2000

JPE.jpe

Format JFIF Grup Ahli Fotografi Bersama

JPEG.jpeg

Format JFIF Grup Ahli Fotografi Bersama

JPG.jpg

Format JFIF Grup Ahli Fotografi Bersama

JPM.jpm

Sintaks Format File JPEG-2000

JPS.jps

Format JPS Grup Ahli Fotografi Bersama

JPT.jpt

Sintaks Format File JPEG-2000

JXL.jxl

Gambar JPEG XL

MAP.map

Database Gambar Seamless Multi-resolusi (MrSID)

MAT.mat

Format gambar level 5 MATLAB

PAL.pal

Pixmap Palm

PALM.palm

Pixmap Palm

PAM.pam

Format bitmap 2-dimensi umum

PBM.pbm

Format bitmap portabel (hitam dan putih)

PCD.pcd

Photo CD

PCT.pct

Apple Macintosh QuickDraw/PICT

PCX.pcx

ZSoft IBM PC Paintbrush

PDB.pdb

Format ImageViewer Database Palm

PDF.pdf

Format Dokumen Portabel

PDFA.pdfa

Format Arsip Dokumen Portabel

PFM.pfm

Format float portabel

PGM.pgm

Format graymap portabel (skala abu-abu)

PGX.pgx

Format tak terkompresi JPEG 2000

PICT.pict

Apple Macintosh QuickDraw/PICT

PJPEG.pjpeg

Format JFIF Kelompok Ahli Fotografi Bersama

PNG.png

Grafik Jaringan Portabel

PNG00.png00

PNG mewarisi bit-depth, tipe warna dari gambar asli

PNG24.png24

RGB 24-bit transparan atau biner (zlib 1.2.11)

PNG32.png32

RGBA 32-bit transparan atau biner

PNG48.png48

RGB 48-bit transparan atau biner

PNG64.png64

RGBA 64-bit transparan atau biner

PNG8.png8

Indeks 8-bit transparan atau biner

PNM.pnm

Anymap portabel

PPM.ppm

Format pixmap portabel (warna)

PS.ps

File Adobe PostScript

PSB.psb

Format Dokumen Besar Adobe

PSD.psd

Bitmap Adobe Photoshop

RGB.rgb

Contoh merah, hijau, dan biru mentah

RGBA.rgba

Contoh merah, hijau, biru, dan alpha mentah

RGBO.rgbo

Contoh merah, hijau, biru, dan opasitas mentah

SIX.six

Format Grafik DEC SIXEL

SUN.sun

Rasterfile Sun

SVG.svg

Grafik Vektor Skalable

TIFF.tiff

Format File Gambar Bertag

VDA.vda

Gambar Truevision Targa

VIPS.vips

Gambar VIPS

WBMP.wbmp

Gambar Bitmap Nirkabel (level 0)

WEBP.webp

Format Gambar WebP

YUV.yuv

CCIR 601 4:1:1 atau 4:2:2

Pertanyaan yang sering diajukan

Bagaimana cara kerjanya?

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.

Berapa lama waktu yang dibutuhkan untuk mengonversi file?

Konversi dimulai secara instan, dan sebagian besar file dikonversi dalam waktu kurang dari satu detik. File yang lebih besar mungkin membutuhkan waktu lebih lama.

Apa yang terjadi dengan file saya?

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.

Jenis file apa yang dapat saya konversi?

Kami mendukung konversi antara semua format gambar, termasuk JPEG, PNG, GIF, WebP, SVG, BMP, TIFF, dan banyak lagi.

Berapa biayanya?

Konverter ini sepenuhnya gratis, dan akan selalu gratis. Karena berjalan di browser Anda, kami tidak perlu membayar server, jadi kami tidak perlu menagih Anda.

Bisakah saya mengonversi banyak file sekaligus?

Ya! Anda dapat mengonversi file sebanyak yang Anda inginkan sekaligus. Cukup pilih beberapa file saat Anda menambahkannya.