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.
JPEG, yang merupakan singkatan dari Joint Photographic Experts Group, adalah metode kompresi lossy yang umum digunakan untuk gambar digital, terutama untuk gambar yang dihasilkan oleh fotografi digital. Tingkat kompresi dapat disesuaikan, memungkinkan keseimbangan yang dapat dipilih antara ukuran penyimpanan dan kualitas gambar. JPEG biasanya mencapai kompresi 10:1 dengan sedikit kehilangan yang terlihat dalam kualitas gambar. Algoritma kompresi JPEG merupakan inti dari format file JPEG, yang secara resmi dikenal sebagai JPEG Interchange Format (JIF). Namun, istilah 'JPEG' sering digunakan untuk merujuk pada format file yang sebenarnya dibakukan sebagai JPEG File Interchange Format (JFIF).
Format JPEG mendukung berbagai ruang warna, tetapi yang paling umum digunakan dalam fotografi digital dan grafik web adalah warna 24-bit, yang mencakup 8 bit masing-masing untuk komponen merah, hijau, dan biru (RGB). Ini memungkinkan lebih dari 16 juta warna berbeda, menyediakan kualitas gambar yang kaya dan cerah yang sesuai untuk berbagai aplikasi. File JPEG juga dapat mendukung gambar grayscale dan ruang warna seperti YCbCr, yang sering digunakan dalam kompresi video.
Algoritma kompresi JPEG didasarkan pada Discrete Cosine Transform (DCT), yang merupakan jenis transformasi Fourier. DCT diterapkan pada blok kecil gambar, biasanya 8x8 piksel, mengubah data domain spasial menjadi data domain frekuensi. Proses ini menguntungkan karena cenderung memusatkan energi gambar ke beberapa komponen frekuensi rendah, yang lebih penting untuk penampilan keseluruhan gambar, sementara komponen frekuensi tinggi, yang berkontribusi pada detail halus dan dapat dibuang dengan dampak yang lebih kecil pada kualitas yang dirasakan, dikurangi.
Setelah DCT diterapkan, koefisien yang dihasilkan dikuantisasi. Kuantisasi adalah proses pemetaan set input yang besar ke set yang lebih kecil, secara efektif mengurangi presisi koefisien DCT. Di sinilah aspek lossy JPEG muncul. Tingkat kuantisasi ditentukan oleh tabel kuantisasi, yang dapat disesuaikan untuk menyeimbangkan kualitas gambar dan rasio kompresi. Tingkat kuantisasi yang lebih tinggi menghasilkan kompresi yang lebih tinggi dan kualitas gambar yang lebih rendah, sedangkan tingkat kuantisasi yang lebih rendah menghasilkan kompresi yang lebih rendah dan kualitas gambar yang lebih tinggi.
Setelah koefisien dikuantisasi, mereka kemudian disearialkan menjadi urutan zigzag, mulai dari sudut kiri atas dan mengikuti pola zigzag melalui blok 8x8. Langkah ini dirancang untuk menempatkan koefisien frekuensi rendah di awal blok dan koefisien frekuensi tinggi di bagian akhir. Karena banyak koefisien frekuensi tinggi kemungkinan besar akan menjadi nol atau mendekati nol setelah kuantisasi, urutan ini membantu dalam mengompresi data lebih lanjut dengan mengelompokkan nilai yang serupa bersama-sama.
Langkah selanjutnya dalam proses kompresi JPEG adalah pengkodean entropi, yang merupakan metode kompresi lossless. Bentuk pengkodean entropi yang paling umum digunakan dalam JPEG adalah pengkodean Huffman, meskipun pengkodean aritmatika juga merupakan pilihan. Pengkodean Huffman bekerja dengan memberikan kode yang lebih pendek untuk nilai yang lebih sering muncul dan kode yang lebih panjang untuk nilai yang kurang sering muncul. Karena koefisien DCT yang dikuantisasi disusun dengan cara yang mengelompokkan nol dan nilai frekuensi rendah, pengkodean Huffman dapat secara efektif mengurangi ukuran data.
Format file JPEG juga memungkinkan metadata disimpan dalam file, seperti data Exif yang mencakup informasi tentang pengaturan kamera, tanggal dan waktu pengambilan, serta detail relevan lainnya. Metadata ini disimpan dalam segmen khusus aplikasi dari file JPEG, yang dapat dibaca oleh berbagai perangkat lunak untuk menampilkan atau memproses informasi gambar.
Salah satu fitur utama format JPEG adalah dukungannya untuk pengkodean progresif. Dalam JPEG progresif, gambar dikodekan dalam beberapa lintasan dengan detail yang semakin meningkat. Ini berarti bahwa bahkan jika gambar belum selesai diunduh, versi kasar dari seluruh gambar dapat ditampilkan, yang secara bertahap meningkat kualitasnya saat lebih banyak data diterima. Ini sangat berguna untuk gambar web, memungkinkan pengguna mendapatkan gambaran tentang konten gambar tanpa harus menunggu seluruh file terunduh.
Meskipun penggunaannya yang luas dan banyak keuntungannya, format JPEG memiliki beberapa keterbatasan. Salah satu yang paling signifikan adalah masalah artefak, yang merupakan distorsi atau anomali visual yang dapat terjadi sebagai hasil kompresi lossy. Artefak ini dapat mencakup blur, blok, dan 'ringing' di sekitar tepi. Visibilitas artefak dipengaruhi oleh tingkat kompresi dan isi gambar. Gambar dengan gradien halus atau perubahan warna yang halus lebih rentan menunjukkan artefak kompresi.
Keterbatasan lain dari JPEG adalah bahwa format ini tidak mendukung transparansi atau saluran alfa. Ini berarti bahwa gambar JPEG tidak dapat memiliki latar belakang transparan, yang dapat menjadi kendala untuk aplikasi tertentu seperti desain web, di mana overlay gambar di latar belakang yang berbeda umum dilakukan. Untuk tujuan ini, format seperti PNG atau GIF, yang mendukung transparansi, sering digunakan sebagai gantinya.
JPEG juga tidak mendukung layer atau animasi. Berbeda dengan format seperti TIFF untuk layer atau GIF untuk animasi, JPEG hanya merupakan format gambar tunggal. Ini membuatnya tidak cocok untuk gambar yang memerlukan pengeditan dalam layer atau untuk membuat gambar animasi. Bagi pengguna yang membutuhkan bekerja dengan layer atau animasi, mereka harus menggunakan format lain selama proses pengeditan dan kemudian dapat mengonversi ke JPEG untuk distribusi jika diperlukan.
Meskipun memiliki keterbatasan ini, JPEG tetap menjadi salah satu format gambar yang paling populer karena kompresi yang efisien dan kompatibilitas dengan hampir semua perangkat lunak penampil dan pengedit gambar. Format ini sangat cocok untuk foto dan gambar kompleks dengan gradasi warna yang halus. Untuk penggunaan web, gambar JPEG dapat dioptimalkan untuk menyeimbangkan kualitas dan ukuran file, membuatnya ideal untuk waktu muat yang cepat sambil tetap memberikan hasil yang secara visual menarik.
Format JPEG juga telah berkembang dari waktu ke waktu dengan munculnya variasi seperti JPEG 2000 dan JPEG XR. JPEG 2000 menawarkan efisiensi kompresi yang lebih baik, penanganan artefak gambar yang lebih baik, dan kemampuan untuk menangani transparansi. JPEG XR, di sisi lain, menyediakan kompresi yang lebih baik pada tingkat kualitas yang lebih tinggi dan mendukung berbagai kedalaman warna dan ruang warna yang lebih luas. Namun, format baru ini belum mencapai tingkat kehadiran yang sama dengan format JPEG asli.
Sebagai kesimpulan, format gambar JPEG adalah format yang serba guna dan didukung secara luas yang menyeimbangkan kualitas gambar dan ukuran file. Penggunaan DCT dan kuantisasi memungkinkan pengurangan ukuran file yang signifikan dengan dampak yang dapat disesuaikan pada kualitas gambar. Meskipun memiliki beberapa keterbatasan, seperti kurangnya dukungan untuk transparansi, layer, dan animasi, keuntungannya dalam hal kompatibilitas dan efisiensi menjadikannya elemen dasar dalam citra digital. Seiring kemajuan teknologi, format baru mungkin menawarkan perbaikan, tetapi warisan JPEG dan adopsi yang luas memastikan bahwa format ini akan tetap menjadi bagian fundamental dari citra digital untuk masa yang dapat dilihat di depan.
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.