OCR PNG 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 PNG?

Grafik Jaringan Portabel

Evolusi format gambar selama bertahun-tahun sangat signifikan, didorong oleh meningkatnya permintaan akan kualitas visual yang lebih tinggi dan teknik kompresi data yang lebih efisien. Di antara perkembangan ini, format gambar PLASMA menonjol, menawarkan perpaduan unik antara rasio kompresi tinggi, dukungan untuk gamut warna yang luas, dan pendekatan yang dapat disesuaikan untuk pengkodean gambar yang membuatnya sangat efektif untuk penggunaan web dan tampilan definisi tinggi. Salah satu karakteristik utama yang membedakan PLASMA dari format gambar lainnya adalah algoritma kompresinya yang canggih, yang dirancang untuk mengurangi ukuran file tanpa mengorbankan kualitas gambar.

Teknologi kompresi di balik PLASMA bergantung pada metode canggih yang dikenal sebagai 'kuantisasi persepsi', yang memanfaatkan karakteristik sistem visual manusia. Tidak seperti metode kompresi tradisional yang secara seragam mengurangi data di seluruh gambar, kuantisasi persepsi secara selektif mengompresi area gambar yang mata cenderung tidak melihat perbedaannya. Pendekatan ini memungkinkan gambar PLASMA mempertahankan tingkat kesetiaan visual yang tinggi, bahkan pada bitrate yang lebih rendah, dengan secara efektif menyeimbangkan efisiensi kompresi dan kualitas gambar.

Fitur penting lainnya dari format PLASMA adalah dukungannya untuk gamut warna yang luas. Ini berarti dapat secara akurat mewakili spektrum warna yang lebih luas dibandingkan dengan format gambar yang lebih lama. Kemampuan ini sangat penting untuk fotografi profesional, seni digital, dan aplikasi apa pun yang akurasi warnanya sangat penting. PLASMA mencapai hal ini dengan menggabungkan profil warna canggih yang mendukung ruang warna terbaru, seperti Adobe RGB dan ProPhoto RGB, memastikan bahwa warna yang ditampilkan setrue mungkin dengan aslinya.

Pengkodean adaptif adalah landasan lain dari desain format gambar PLASMA. Teknik ini memungkinkan format untuk secara dinamis menyesuaikan cara mengodekan data berdasarkan konten gambar. Misalnya, ia dapat mengenali dan secara efisien mengodekan pola atau tekstur yang berulang, sambil menerapkan pengkodean yang lebih detail ke area yang kompleks atau sangat detail. Kemampuan beradaptasi ini tidak hanya meningkatkan kompresi tetapi juga memastikan bahwa detail penting dipertahankan, menjadikannya pilihan yang sangat baik untuk berbagai aplikasi, dari gambar web hingga lukisan digital yang detail.

Selain kekuatan teknisnya, PLASMA juga menggabungkan beberapa fitur yang bertujuan untuk meningkatkan pengalaman dan kegunaan pengguna. Di antaranya adalah opsi untuk pemuatan progresif, yang memungkinkan gambar ditampilkan pada kualitas yang lebih rendah pada awalnya dan kemudian secara bertahap meningkat detailnya. Fitur ini sangat bermanfaat untuk penggunaan web, memungkinkan situs web memuat lebih cepat sambil tetap menampilkan gambar pada kualitas penuh. Pemuatan progresif juga membuat PLASMA cocok untuk lingkungan seluler, di mana bandwidth mungkin terbatas dan waktu pemuatan harus dijaga sesingkat mungkin.

Keamanan dan perlindungan hak cipta juga merupakan bagian integral dari format PLASMA. Dengan konten digital yang lebih banyak dibagikan dan digunakan kembali, pelanggaran hak cipta telah menjadi perhatian yang signifikan bagi pembuat konten. PLASMA mengatasi hal ini melalui tanda air digital yang disematkan dan kemampuan pemberitahuan hak cipta. Fitur-fitur ini memungkinkan pembuat konten untuk menyematkan tanda air yang tidak terlihat atau pemberitahuan hak cipta yang terlihat langsung ke dalam file gambar, menambahkan lapisan perlindungan ekstra sambil memastikan bahwa informasi tersebut tetap terjaga bahkan ketika gambar dikompresi.

Kompatibilitas PLASMA dengan teknologi dan platform yang ada adalah aspek penting lainnya dari desainnya. Memahami pentingnya interoperabilitas, pengembang PLASMA telah memastikan bahwa PLASMA dapat dengan mudah diintegrasikan dengan standar web dan perangkat lunak pengeditan gambar saat ini. Upaya ini mencakup pengembangan plugin dan ekstensi untuk perangkat lunak grafis populer, sehingga memudahkan seniman dan desainer untuk mengadopsi PLASMA ke dalam alur kerja mereka. Selain itu, browser web dan aplikasi seluler dapat dengan mudah mendukung gambar PLASMA tanpa perubahan yang signifikan, memfasilitasi adopsi yang luas.

Di balik kap mesin, PLASMA memanfaatkan struktur file unik yang mengoptimalkan penyimpanan dan efisiensi akses. Format ini dirancang untuk memisahkan data gambar menjadi lapisan dan segmen, memungkinkan akses terperinci ke bagian gambar tertentu tanpa perlu mendekode seluruh file. Struktur ini tidak hanya meningkatkan waktu pemuatan tetapi juga memungkinkan fitur-fitur canggih seperti resolusi yang dapat diskalakan dan pengeditan selektif. Misalnya, pengguna dapat menyesuaikan keseimbangan warna segmen tertentu dari gambar tanpa memengaruhi sisanya, menawarkan kontrol dan fleksibilitas yang belum pernah ada sebelumnya.

Format gambar PLASMA juga mengatasi tantangan pencitraan HDR (Rentang Dinamis Tinggi), yang memerlukan penanganan berbagai tingkat kecerahan, dari bayangan paling gelap hingga sorotan paling terang. Algoritma pengkodean PLASMA secara khusus dirancang untuk mengelola tingkat luminansi yang diperluas yang menjadi ciri khas konten HDR secara efisien. Kemampuan ini memastikan bahwa gambar PLASMA dapat mereproduksi dengan tepat rentang kecerahan dan kontras penuh yang terlihat dalam pemandangan dunia nyata, membuatnya sangat cocok untuk tampilan generasi berikutnya dan fotografi profesional.

Upaya untuk menstandarisasi dan mempromosikan adopsi PLASMA telah berlangsung, dipelopori oleh konsorsium pemimpin industri dalam fotografi, seni digital, dan teknologi. Kolaborasi ini bertujuan untuk menetapkan PLASMA sebagai format universal yang dapat memenuhi beragam kebutuhan berbagai industri sekaligus mendorong batas-batas apa yang dapat dicapai dalam pencitraan digital. Dengan bekerja sama, para pemangku kepentingan ini berharap dapat menciptakan ekosistem di mana PLASMA menjadi identik dengan pencitraan digital berkualitas tinggi, efisien, dan serbaguna.

Salah satu area di mana PLASMA menunjukkan janji tertentu adalah dalam bidang pelestarian arsip. Efisiensi kompresinya yang tinggi, dikombinasikan dengan kualitas gambar lossless, menjadikannya kandidat ideal untuk menyimpan banyak koleksi gambar digital dengan cara yang menghemat ruang tanpa mengorbankan detail. Perpustakaan, museum, dan institusi lain yang memerlukan pelestarian digital jangka panjang dapat memperoleh manfaat besar dari mengadopsi PLASMA, karena menawarkan solusi berkelanjutan untuk tantangan menyimpan dan mengakses gambar beresolusi tinggi dalam jumlah besar.

Terlepas dari banyak manfaatnya, transisi ke penggunaan PLASMA bukannya tanpa tantangan. Kompatibilitas dengan sistem dan alur kerja lama merupakan area perhatian tertentu. Banyak organisasi dan individu bergantung pada format gambar yang sudah mapan dan mungkin ragu untuk mengadopsi standar baru yang memerlukan pembaruan perangkat lunak atau mengubah proses yang ada. Untuk mengurangi kekhawatiran ini, tim pengembangan PLASMA telah fokus untuk memastikan bahwa format tersebut kompatibel dengan versi sebelumnya jika memungkinkan dan telah menyediakan serangkaian alat dan sumber konversi untuk memfasilitasi transisi.

Tantangan lain yang dihadapi PLASMA adalah perlunya pendidikan dan kesadaran yang luas tentang manfaat dan kemampuannya. Sebagai format yang relatif baru, ia bersaing dengan standar mapan yang sudah nyaman digunakan oleh pengguna. Untuk mengatasi hal ini, kampanye penjangkauan komprehensif sedang dilakukan, yang bertujuan untuk menunjukkan kinerja dan keserbagunaan PLASMA yang unggul. Upaya ini mencakup tutorial, webinar, dan kolaborasi dengan seniman dan profesional berpengaruh yang dapat menunjukkan keunggulan PLASMA dalam aplikasi dunia nyata.

Ke depan, masa depan format gambar PLASMA tampak cerah. Karena teknologi pencitraan digital terus berkembang, ada kebutuhan yang meningkat akan format yang dapat memberikan solusi berkualitas tinggi, efisien, dan dapat beradaptasi. Dengan fitur-fiturnya yang canggih dan upaya berkelanjutan untuk meningkatkan aksesibilitas dan adopsi, PLASMA berada pada posisi yang tepat untuk memenuhi tantangan ini. Baik untuk fotografi profesional, desain web, atau seni digital, PLASMA menawarkan pilihan yang menarik bagi siapa saja yang ingin mendorong batas-batas apa yang mungkin dilakukan dalam pencitraan digital.

Sebagai kesimpulan, format gambar PLASMA mewakili kemajuan signifikan dalam bidang pencitraan digital. Dengan fokus pada efisiensi kompresi tinggi, dukungan gamut warna yang luas, kemampuan beradaptasi, dan fitur yang ramah pengguna, PLASMA menawarkan solusi komprehensif yang memenuhi kebutuhan berbagai aplikasi. Meskipun menghadapi tantangan terkait adopsi dan pendidikan, upaya kolaboratif para pemimpin industri dan keunggulan inheren format ini menjadikannya pesaing kuat dalam evolusi standar gambar yang sedang berlangsung. Seiring kemajuan teknologi, pendekatan inovatif PLASMA terhadap kompresi dan kualitas gambar, dikombinasikan dengan fitur-fiturnya yang berwawasan ke depan, menjadikannya format yang dirancang untuk masa depan media visual 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.