OCR DXT1 apa pun

Tidak terbatas pekerjaan. Ukuran file hingga 2.5GB. Gratis, selamanya.

Semua lokal

Konverter kami berjalan di browser Anda, jadi kami tidak pernah melihat data Anda.

Sangat cepat

Tidak perlu mengunggah file Anda ke server—konversi dimulai seketika.

Aman secara default

Berbeda dengan konverter lain, file Anda tidak pernah diunggah ke kami.

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 DXT1?

Microsoft DirectDraw Surface

Format kompresi DXT1, bagian dari keluarga DirectX Texture (DirectXTex), merepresentasikan lompatan signifikan dalam teknologi kompresi gambar, yang dirancang khusus untuk grafik komputer. Ini adalah teknik kompresi lossy yang menyeimbangkan kualitas gambar dengan kebutuhan penyimpanan, menjadikannya sangat cocok untuk aplikasi 3D waktu nyata, seperti game, di mana ruang disk dan bandwidth adalah komoditas yang berharga. Pada intinya, format DXT1 mengompresi data tekstur menjadi sebagian kecil dari ukuran aslinya tanpa memerlukan dekompresi secara real-time, sehingga mengurangi penggunaan memori dan meningkatkan kinerja.

DXT1 beroperasi pada blok piksel daripada piksel individual itu sendiri. Secara khusus, ia memproses blok piksel 4x4, mengompresi setiap blok menjadi 64 bit. Pendekatan ini, kompresi berbasis blok, adalah yang memungkinkan DXT1 secara signifikan mengurangi jumlah data yang dibutuhkan untuk merepresentasikan gambar. Inti dari kompresi dalam DXT1 terletak pada kemampuannya untuk menemukan keseimbangan dalam representasi warna dalam setiap blok, sehingga mempertahankan detail sebanyak mungkin sambil mencapai rasio kompresi yang tinggi.

Proses kompresi DXT1 dapat dipecah menjadi beberapa langkah. Pertama, ia mengidentifikasi dua warna dalam sebuah blok yang paling mewakili rentang warna keseluruhan blok. Warna-warna ini dipilih berdasarkan kemampuannya untuk mencakup variabilitas warna dalam blok, dan disimpan sebagai dua warna RGB 16-bit. Meskipun kedalaman bit lebih rendah dibandingkan dengan data gambar asli, langkah ini memastikan bahwa informasi warna yang paling penting dipertahankan.

Setelah menentukan dua warna primer, DXT1 menggunakannya untuk menghasilkan dua warna tambahan, sehingga total empat warna yang akan mewakili seluruh blok. Warna-warna tambahan ini dihitung melalui interpolasi linier, sebuah proses yang memadukan dua warna primer dalam proporsi yang berbeda. Secara khusus, warna ketiga dihasilkan dengan memadukan dua warna primer secara merata, sedangkan warna keempat adalah campuran yang mengutamakan warna pertama atau hitam murni, tergantung pada kebutuhan transparansi tekstur.

Dengan empat warna yang ditentukan, langkah selanjutnya melibatkan pemetaan setiap piksel dalam blok 4x4 asli ke warna terdekat di antara empat warna yang dihasilkan. Pemetaan ini dilakukan melalui algoritma tetangga terdekat yang sederhana, yang menghitung jarak antara warna piksel asli dan empat warna representatif, menetapkan piksel ke kecocokan terdekat. Proses ini secara efektif mengkuantisasi ruang warna asli blok menjadi empat warna berbeda, faktor kunci dalam mencapai kompresi DXT1.

Langkah terakhir dalam proses kompresi DXT1 adalah pengkodean informasi pemetaan warna bersama dengan dua warna asli yang dipilih untuk blok. Dua warna asli disimpan langsung dalam data blok terkompresi sebagai nilai 16-bit. Sementara itu, pemetaan setiap piksel ke salah satu dari empat warna dikodekan sebagai serangkaian indeks 2-bit, dengan setiap indeks menunjuk ke salah satu dari empat warna. Indeks-indeks ini dikemas bersama dan mencakup bit yang tersisa dari blok 64-bit. Blok terkompresi yang dihasilkan berisi informasi warna dan pemetaan yang diperlukan untuk merekonstruksi tampilan blok selama dekompresi.

Dekompresi dalam DXT1 dirancang menjadi proses yang mudah dan cepat, membuatnya sangat cocok untuk aplikasi waktu nyata. Kesederhanaan algoritma dekompresi memungkinkan untuk dilakukan oleh perangkat keras pada kartu grafis modern, yang selanjutnya mengurangi beban pada CPU dan berkontribusi pada efisiensi kinerja tekstur terkompresi DXT1. Selama dekompresi, dua warna asli diambil dari data blok dan digunakan bersama dengan indeks 2-bit untuk merekonstruksi warna setiap piksel dalam blok. Metode interpolasi linier kembali digunakan untuk mendapatkan warna antara jika diperlukan.

Salah satu keuntungan DXT1 adalah pengurangan ukuran file yang signifikan, yang dapat mencapai 8:1 dibandingkan dengan tekstur RGB 24-bit yang tidak dikompresi. Pengurangan ini tidak hanya menghemat ruang disk tetapi juga mengurangi waktu muat dan meningkatkan potensi variasi tekstur dalam anggaran memori tertentu. Selain itu, manfaat kinerja DXT1 tidak terbatas pada penghematan penyimpanan dan bandwidth; dengan mengurangi jumlah data yang perlu diproses dan ditransfer ke GPU, ini juga berkontribusi pada kecepatan rendering yang lebih cepat, menjadikannya format yang ideal untuk game dan aplikasi intensif grafis lainnya.

Terlepas dari kelebihannya, DXT1 bukannya tanpa batasan. Yang paling menonjol adalah potensi artefak yang terlihat, terutama pada tekstur dengan kontras warna tinggi atau detail yang kompleks. Artefak ini dihasilkan dari proses kuantisasi dan keterbatasan empat warna per blok, yang mungkin tidak secara akurat mewakili rentang warna penuh dari gambar asli. Selain itu, persyaratan untuk memilih dua warna representatif untuk setiap blok dapat menyebabkan masalah dengan pita warna, di mana transisi antar warna menjadi sangat tiba-tiba dan tidak alami.

Selain itu, penanganan transparansi format DXT1 menambah lapisan kompleksitas lainnya. DXT1 mendukung transparansi alfa 1-bit, artinya piksel dapat sepenuhnya transparan atau sepenuhnya buram. Pendekatan biner terhadap transparansi ini diimplementasikan dengan memilih salah satu warna yang dihasilkan untuk mewakili transparansi, biasanya warna keempat jika dua warna pertama dipilih sehingga urutan numeriknya dibalik. Meskipun ini memungkinkan beberapa tingkat transparansi dalam tekstur, ini cukup terbatas dan dapat menyebabkan tepi yang keras di sekitar area transparan, sehingga kurang cocok untuk efek transparansi yang detail.

Pengembang yang bekerja dengan tekstur terkompresi DXT1 sering menggunakan berbagai teknik untuk mengurangi keterbatasan ini. Misalnya, desain tekstur yang cermat dan penggunaan dithering dapat membantu mengurangi visibilitas artefak kompresi dan pita warna. Selain itu, ketika berhadapan dengan transparansi, pengembang mungkin memilih untuk menggunakan peta tekstur terpisah untuk data transparansi atau memilih format DXT lain yang menawarkan penanganan transparansi yang lebih bernuansa, seperti DXT3 atau DXT5, untuk tekstur di mana transparansi berkualitas tinggi sangat penting.

Adopsi DXT1 secara luas dan penyertaannya dalam DirectX API menyoroti pentingnya dalam bidang grafik waktu nyata. Kemampuannya untuk menjaga keseimbangan antara kualitas dan kinerja telah menjadikannya bahan pokok dalam industri game, di mana penggunaan sumber daya yang efisien sering kali menjadi perhatian penting. Di luar game, DXT1 menemukan aplikasi di berbagai bidang yang membutuhkan rendering waktu nyata, seperti realitas virtual, simulasi, dan visualisasi 3D, menggarisbawahi keserbagunaan dan efektivitasnya sebagai format kompresi.

Seiring kemajuan teknologi, evolusi teknik kompresi tekstur terus berlanjut, dengan format yang lebih baru berupaya mengatasi keterbatasan DXT1 sambil membangun kekuatannya. Kemajuan dalam perangkat keras dan perangkat lunak telah mengarah pada pengembangan format kompresi yang menawarkan kualitas lebih tinggi, dukungan transparansi yang lebih baik, dan algoritma kompresi yang lebih efisien. Namun, warisan DXT1 sebagai format perintis dalam kompresi tekstur tetap tidak terbantahkan. Prinsip desainnya dan pengorbanan yang diwujudkannya antara kualitas, kinerja, dan efisiensi penyimpanan terus memengaruhi pengembangan teknologi kompresi di masa depan.

Sebagai kesimpulan, format gambar DXT1 merepresentasikan perkembangan signifikan dalam arena kompresi tekstur, menghasilkan keseimbangan yang efektif antara kualitas gambar dan penggunaan memori. Meskipun memiliki keterbatasan, terutama dalam bidang kesetiaan warna dan penanganan transparansi, manfaatnya dalam hal penyimpanan dan peningkatan kinerja tidak dapat dilebih-lebihkan. Untuk aplikasi di mana kecepatan dan efisiensi adalah yang terpenting, DXT1 tetap menjadi pilihan yang menarik. Seiring kemajuan bidang grafik komputer, pelajaran yang dipetik dari desain dan aplikasi DXT1 tidak diragukan lagi akan terus menginformasikan dan menginspirasi inovasi masa depan dalam kompresi gambar.

Format yang didukung

AAI.aai

Gambar AAI Dune

AI.ai

Adobe Illustrator CS2

AVIF.avif

Format File Gambar AV1

AVS.avs

Gambar AVS X

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

CMYKA.cmyka

Contoh cyan, magenta, kuning, hitam, dan alpha 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)

FARBFELD.ff

Farbfeld

FF.ff

Farbfeld

FITS.fits

Sistem Transportasi Gambar Fleksibel

GIF.gif

Format pertukaran grafis CompuServe

GIF87.gif87

Format pertukaran grafis CompuServe (versi 87a)

GROUP4.group4

CCITT Grup 4 Mentah

HDR.hdr

Gambar Berdynamik Tinggi

HRZ.hrz

Slow Scan TeleVision

ICO.ico

Ikon Microsoft

ICON.icon

Ikon Microsoft

IPL.ipl

Gambar Lokasi IP2

J2C.j2c

Codestream JPEG-2000

J2K.j2k

Codestream JPEG-2000

JNG.jng

Grafik Jaringan JPEG

JP2.jp2

Sintaks Format File JPEG-2000

JPC.jpc

Codestream 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

PCDS.pcds

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

PICON.picon

Ikon Pribadi

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

SVGZ.svgz

Grafik Vektor Skalable Terkompresi

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. Ketika Anda memilih sebuah 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 seketika, 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 bisa saya konversi?

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

Berapa biaya yang harus saya bayar?

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

Bisakah saya mengonversi beberapa file sekaligus?

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