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 JPEG 2000 Multi-layer (JPM) adalah ekstensi dari standar JPEG 2000, yang merupakan standar kompresi gambar dan sistem pengodean. Format ini dibuat oleh komite Joint Photographic Experts Group pada tahun 2000 dengan tujuan menggantikan standar JPEG asli. JPEG 2000 dikenal karena efisiensi kompresinya yang tinggi dan kemampuannya menangani berbagai jenis gambar, termasuk gambar skala abu-abu, warna, dan multi-komponen. Format JPM secara khusus memperluas kemampuan JPEG 2000 untuk menyertakan dukungan untuk dokumen gabungan, yang dapat berisi campuran teks, grafik, dan gambar.
JPM didefinisikan dalam Bagian 6 dari JPEG 2000 Suite (ISO/IEC 15444-6), dan dirancang untuk menggabungkan beberapa gambar dan data terkait dalam satu file. Hal ini membuatnya sangat berguna untuk aplikasi seperti pencitraan dokumen, pencitraan medis, dan pencitraan teknis di mana berbagai jenis konten perlu disimpan bersama. Format JPM memungkinkan penyimpanan halaman secara efisien dalam dokumen, yang masing-masing dapat berisi beberapa wilayah gambar dengan karakteristik berbeda, serta data non-gambar seperti anotasi atau metadata.
Salah satu fitur utama JPM adalah penggunaan aliran kode JPEG 2000 (JPX), yang merupakan versi lanjutan dari aliran kode JPEG 2000 dasar (JP2). JPX mendukung rentang ruang warna yang lebih luas, metadata yang lebih canggih, dan kedalaman bit yang lebih tinggi. Dalam file JPM, setiap gambar atau 'lapisan' disimpan sebagai aliran kode JPX yang terpisah. Hal ini memungkinkan setiap lapisan dikompresi sesuai dengan karakteristiknya sendiri, yang dapat menghasilkan kompresi yang lebih efisien dan hasil kualitas yang lebih tinggi, terutama untuk dokumen gabungan dengan jenis konten yang beragam.
Struktur file JPM bersifat hierarkis dan terdiri dari serangkaian kotak. Kotak adalah unit mandiri yang mencakup header dan data. Header menentukan jenis dan panjang kotak, sedangkan data berisi konten sebenarnya. Kotak tingkat atas dalam file JPM adalah kotak tanda tangan, yang mengidentifikasi file sebagai file keluarga JPEG 2000. Setelah kotak tanda tangan, ada kotak jenis file, kotak header, dan kotak konten, antara lain. Kotak header berisi informasi tentang file, seperti jumlah halaman dan atribut setiap halaman, sedangkan kotak konten berisi data gambar dan data non-gambar terkait.
Dalam hal kompresi, file JPM dapat menggunakan metode kompresi lossless dan lossy. Kompresi lossless memastikan bahwa data gambar asli dapat direkonstruksi dengan sempurna dari data terkompresi, yang sangat penting untuk aplikasi di mana integritas gambar sangat penting, seperti pencitraan medis. Kompresi lossy, di sisi lain, memungkinkan ukuran file yang lebih kecil dengan membuang sebagian data gambar, yang dapat diterima dalam situasi di mana fidelitas sempurna tidak diperlukan.
JPM juga mendukung konsep 'dekode progresif', yang berarti bahwa versi gambar beresolusi rendah dapat ditampilkan saat gambar beresolusi penuh masih diunduh atau diproses. Hal ini sangat berguna untuk gambar besar atau koneksi jaringan yang lambat, karena memungkinkan pengguna mendapatkan pratinjau cepat tanpa harus menunggu seluruh file tersedia.
Aspek penting lainnya dari JPM adalah dukungannya terhadap metadata. Metadata dalam file JPM dapat mencakup informasi tentang dokumen, seperti penulis, judul, dan kata kunci, serta informasi tentang setiap gambar, seperti tanggal pengambilan, pengaturan kamera, dan lokasi geografis. Metadata ini dapat disimpan dalam format XML, sehingga mudah diakses dan dimodifikasi. Selain itu, JPM mendukung penyertaan profil ICC, yang menentukan ruang warna gambar, memastikan reproduksi warna yang akurat di berbagai perangkat.
File JPM juga mampu menyimpan beberapa versi gambar, masing-masing dengan resolusi atau pengaturan kualitas yang berbeda. Fitur ini, yang dikenal sebagai 'multi-layering', memungkinkan penyimpanan dan transmisi yang lebih efisien, karena versi gambar yang sesuai dapat dipilih berdasarkan kebutuhan spesifik aplikasi atau bandwidth yang tersedia.
Keamanan adalah area lain di mana JPM menyediakan fitur yang kuat. Format ini mendukung penyertaan tanda tangan digital dan enkripsi, yang dapat digunakan untuk memverifikasi keaslian dokumen dan melindungi informasi sensitif. Hal ini sangat penting dalam bidang seperti manajemen dokumen hukum dan medis, di mana integritas dan kerahasiaan dokumen sangat penting.
Meskipun memiliki banyak keunggulan, format JPM belum banyak diadopsi, terutama di pasar konsumen. Hal ini sebagian disebabkan oleh kompleksitas format dan sumber daya komputasi yang diperlukan untuk memproses file JPM. Selain itu, keluarga standar JPEG 2000, termasuk JPM, telah menjadi subjek masalah lisensi paten, yang telah menghambat adopsi dibandingkan dengan standar JPEG asli, yang umumnya tidak dibebani oleh paten.
Untuk pengembang perangkat lunak dan insinyur yang bekerja dengan file JPM, ada beberapa pustaka dan alat yang tersedia yang menyediakan dukungan untuk format tersebut. Ini termasuk pustaka OpenJPEG, yang merupakan codec JPEG 2000 sumber terbuka, dan penawaran komersial dari berbagai perusahaan perangkat lunak pencitraan. Saat bekerja dengan file JPM, pengembang harus terbiasa dengan sintaks aliran kode JPEG 2000, serta persyaratan khusus untuk menangani dokumen gabungan dan metadata.
Sebagai kesimpulan, format gambar JPM adalah ekstensi yang kuat dari standar JPEG 2000 yang menawarkan berbagai fitur yang cocok untuk menyimpan dan mengelola dokumen gabungan. Dukungannya untuk beberapa lapisan gambar, dekode progresif, metadata, multi-layering, dan fitur keamanan menjadikannya pilihan ideal untuk aplikasi profesional dan teknis di mana kualitas gambar dan integritas dokumen sangat penting. Meskipun mungkin tidak umum digunakan seperti format gambar lainnya, kemampuan khususnya memastikan bahwa format ini tetap menjadi alat penting di bidang seperti pencitraan dokumen dan pencitraan medis.
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.