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 PBM (Portable Bitmap) adalah salah satu format file grafik paling sederhana dan paling awal yang digunakan untuk menyimpan gambar monokrom. Ini adalah bagian dari rangkaian Netpbm, yang juga mencakup PGM (Portable GrayMap) untuk gambar skala abu-abu dan PPM (Portable PixMap) untuk gambar berwarna. Format PBM dirancang agar sangat mudah dibaca dan ditulis dalam suatu program, serta jelas dan tidak ambigu. Ini tidak dimaksudkan sebagai format yang berdiri sendiri, melainkan penyebut umum terendah untuk mengonversi di antara format gambar yang berbeda.
Format PBM hanya mendukung gambar hitam dan putih (1-bit). Setiap piksel dalam gambar diwakili oleh satu bit – 0 untuk putih dan 1 untuk hitam. Kesederhanaan format ini membuatnya mudah dimanipulasi menggunakan alat pengeditan teks dasar atau bahasa pemrograman tanpa memerlukan pustaka pemrosesan gambar khusus. Namun, kesederhanaan ini juga berarti bahwa file PBM bisa lebih besar dari format yang lebih canggih seperti JPEG atau PNG, yang menggunakan algoritma kompresi untuk mengurangi ukuran file.
Ada dua variasi format PBM: format ASCII (biasa), yang dikenal sebagai P1, dan format biner (mentah), yang dikenal sebagai P4. Format ASCII dapat dibaca manusia dan dapat dibuat atau diedit dengan editor teks sederhana. Format biner tidak dapat dibaca manusia tetapi lebih hemat ruang dan lebih cepat untuk dibaca dan ditulis program. Terlepas dari perbedaan dalam penyimpanan, kedua format tersebut mewakili jenis data gambar yang sama dan dapat dikonversi satu sama lain tanpa kehilangan informasi.
Struktur file PBM dalam format ASCII dimulai dengan nomor ajaib dua byte yang mengidentifikasi jenis file. Untuk format ASCII PBM, ini adalah 'P1'. Setelah nomor ajaib, ada spasi putih (spasi, TAB, CR, LF), dan kemudian spesifikasi lebar, yang merupakan jumlah kolom dalam gambar, diikuti oleh lebih banyak spasi putih, dan kemudian spesifikasi tinggi, yang merupakan jumlah baris dalam gambar. Setelah spesifikasi tinggi, ada lebih banyak spasi putih, dan kemudian data piksel dimulai.
Data piksel dalam file PBM ASCII terdiri dari serangkaian '0' dan '1', dengan setiap '0' mewakili piksel putih dan setiap '1' mewakili piksel hitam. Piksel disusun dalam baris, dengan setiap baris piksel pada baris baru. Spasi putih diperbolehkan di mana saja dalam data piksel kecuali dalam urutan dua karakter (tidak diperbolehkan di antara dua karakter urutan). Akhir file tercapai setelah membaca bit lebar*tinggi.
Sebaliknya, format PBM biner dimulai dengan nomor ajaib 'P4' bukan 'P1'. Setelah nomor ajaib, format file sama dengan versi ASCII hingga data piksel dimulai. Data piksel biner dikemas menjadi byte, dengan bit paling signifikan (MSB) dari setiap byte mewakili piksel paling kiri, dan setiap baris piksel diisi sesuai kebutuhan untuk mengisi byte terakhir. Bit pengisi tidak signifikan dan nilainya diabaikan.
Format biner lebih hemat ruang karena menggunakan byte penuh untuk mewakili delapan piksel, berbeda dengan format ASCII yang menggunakan setidaknya delapan byte (satu karakter per piksel ditambah spasi putih). Namun, format biner tidak dapat dibaca manusia dan memerlukan program yang memahami format PBM untuk menampilkan atau mengedit gambar.
Membuat file PBM secara terprogram relatif sederhana. Dalam bahasa pemrograman seperti C, seseorang akan membuka file dalam mode tulis, mengeluarkan nomor ajaib yang sesuai, menulis lebar dan tinggi sebagai angka ASCII yang dipisahkan oleh spasi putih, dan kemudian mengeluarkan data piksel. Untuk PBM ASCII, data piksel dapat ditulis sebagai serangkaian '0' dan '1' dengan jeda baris yang sesuai. Untuk PBM biner, data piksel harus dikemas menjadi byte dan ditulis ke file dalam mode biner.
Membaca file PBM juga mudah. Sebuah program akan membaca nomor ajaib untuk menentukan format, melewati spasi putih, membaca lebar dan tinggi, melewati lebih banyak spasi putih, dan kemudian membaca data piksel. Untuk PBM ASCII, program dapat membaca karakter satu per satu dan menafsirkannya sebagai nilai piksel. Untuk PBM biner, program harus membaca byte dan membongkarnya menjadi bit individual untuk mendapatkan nilai piksel.
Format PBM tidak mendukung segala bentuk kompresi atau pengkodean, yang berarti bahwa ukuran file berbanding lurus dengan jumlah piksel dalam gambar. Hal ini dapat menghasilkan file yang sangat besar untuk gambar beresolusi tinggi. Namun, kesederhanaan format ini membuatnya ideal untuk mempelajari tentang pemrosesan gambar, untuk digunakan dalam situasi di mana fidelitas gambar lebih penting daripada ukuran file, atau untuk digunakan sebagai format perantara dalam proses konversi gambar.
Salah satu kelebihan format PBM adalah kesederhanaannya dan kemudahan manipulasinya. Misalnya, untuk membalik gambar PBM (mengubah semua piksel hitam menjadi putih dan sebaliknya), seseorang dapat dengan mudah mengganti semua '0' dengan '1' dan semua '1' dengan '0' dalam data piksel. Ini dapat dilakukan dengan skrip atau program pemrosesan teks sederhana. Demikian pula, operasi gambar dasar lainnya seperti rotasi atau pencerminan dapat diimplementasikan dengan algoritma sederhana.
Meskipun sederhana, format PBM tidak banyak digunakan untuk penyimpanan atau pertukaran gambar umum. Hal ini terutama disebabkan oleh kurangnya kompresi, yang membuatnya tidak efisien untuk menyimpan gambar besar atau untuk digunakan melalui internet di mana bandwidth mungkin menjadi masalah. Format yang lebih modern seperti JPEG, PNG, dan GIF menawarkan berbagai bentuk kompresi dan lebih cocok untuk tujuan ini. Namun, format PBM masih digunakan dalam beberapa konteks, khususnya untuk grafik sederhana dalam pengembangan perangkat lunak, dan sebagai alat pengajaran untuk konsep pemrosesan gambar.
Rangkaian Netpbm, yang mencakup format PBM, menyediakan kumpulan alat untuk memanipulasi file PBM, PGM, dan PPM. Alat-alat ini memungkinkan konversi antara format Netpbm dan format gambar populer lainnya, serta operasi pemrosesan gambar dasar seperti penskalaan, pemotongan, dan manipulasi warna. Rangkaian ini dirancang agar mudah diperluas, dengan antarmuka sederhana untuk menambahkan fungsionalitas baru.
Sebagai kesimpulan, format gambar PBM adalah format file sederhana dan tanpa embel-embel untuk menyimpan gambar bitmap monokrom. Kesederhanaannya membuatnya mudah dipahami dan dimanipulasi, yang dapat menguntungkan untuk tujuan pendidikan atau untuk tugas pemrosesan gambar sederhana. Meskipun tidak cocok untuk semua aplikasi karena kurangnya kompresi dan ukuran file yang dihasilkan besar, format ini tetap menjadi format yang berguna dalam konteks tertentu di mana kekuatannya paling bermanfaat. Format PBM, bersama dengan rangkaian Netpbm lainnya, terus menjadi alat yang berharga bagi mereka yang bekerja dengan pemrosesan gambar dasar dan konversi format.
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.