OCR PNG24 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 PNG24?

RGB 24-bit transparan atau biner (zlib 1.2.11)

Format gambar PNG24, yang juga biasa disebut sebagai Truecolor PNG, adalah format lossless yang banyak digunakan untuk menyimpan gambar. Didefinisikan sebagai bagian dari spesifikasi Portable Network Graphics (PNG), format ini telah mendapatkan popularitas yang cukup besar karena kemampuannya untuk menampilkan gambar dengan kedalaman warna yang bagus tanpa mengorbankan kualitas selama kompresi. Tidak seperti format lainnya seperti JPEG, yang menggunakan teknik kompresi lossy yang menyebabkan penurunan kualitas saat disimpan, PNG24 mempertahankan kualitas gambar asli berapa kali pun file disimpan atau dikompresi.

Format PNG24 mendapatkan namanya dari kemampuannya untuk menyimpan 24 bit informasi warna per piksel. Hal ini dimungkinkan dengan mengalokasikan 8 bit atau satu byte untuk masing-masing dari tiga warna primer: merah, hijau, dan biru (RGB). Konfigurasi ini memungkinkan spektrum representasi warna yang luas, khususnya memungkinkan tampilan hingga 16,7 juta warna berbeda. Rentang warna yang begitu luas menjadikan PNG24 pilihan ideal untuk gambar berkualitas tinggi, termasuk foto, seni digital, dan grafik dengan gradien.

Salah satu fitur yang menentukan PNG24 adalah algoritma kompresi lossless-nya. PNG menggunakan metode yang dikenal sebagai DEFLATE, kombinasi dari algoritma LZ77 dan pengkodean Huffman. Metode ini secara efisien mengurangi ukuran file tanpa kehilangan kualitas gambar, sehingga sangat efektif untuk berbagi dan menyimpan gambar online. Kompresi tidak membuang data apa pun; sebaliknya, ia mengidentifikasi pola dan struktur berulang dalam data gambar dan mengodekan informasi ini dengan lebih ringkas.

Transparansi adalah fitur penting lainnya dari format PNG24. Tidak seperti GIF, yang hanya dapat mendukung satu tingkat transparansi (aktif atau nonaktif), PNG24 mendukung 256 tingkat transparansi melalui saluran alfa. Setiap piksel dalam gambar PNG24 dapat memiliki tingkat transparansi individual mulai dari sepenuhnya buram hingga sepenuhnya transparan. Fitur ini sangat berguna untuk melapisi gambar pada latar belakang yang berbeda, membuat tepi yang lembut, dan membangun antarmuka grafis yang kompleks tanpa perlu masking tambahan pada gambar.

Gambar PNG24 juga mendukung fitur yang dikenal sebagai koreksi gamma. Hal ini memungkinkan gambar mempertahankan kecerahan dan pewarnaan yang konsisten di berbagai perangkat tampilan. Koreksi gamma bekerja dengan menyesuaikan luminansi gambar sesuai dengan nilai gamma yang telah ditentukan, yang membantu mengimbangi respons gamma yang berbeda dari monitor yang berbeda. Ini memastikan bahwa gambar yang diedit pada satu monitor akan tampak serupa saat dilihat pada tampilan lain, aspek penting bagi fotografer dan desainer grafis.

Interlacing adalah fitur opsional di PNG24 yang memungkinkan gambar ditampilkan secara progresif di browser web. Hal ini sangat berguna untuk koneksi internet yang lambat di mana pengguna dapat melihat gambar versi resolusi rendah saat masih dimuat, meningkatkan pengalaman pengguna. PNG menggunakan algoritma Adam7, skema interlacing tujuh lintasan, yang secara bertahap meningkatkan detail gambar pada setiap lintasan. Ini kontras dengan format non-interlaced, di mana gambar muncul baris demi baris dari atas ke bawah.

Dalam hal implementasi dan dukungan, PNG24 didukung dengan baik di seluruh browser web modern, perangkat lunak pengedit gambar, dan berbagai sistem operasi. Dukungan yang luas ini sebagian karena standar terbuka format, yang dikembangkan sebagai alternatif bebas paten untuk GIF. Spesifikasi PNG, termasuk PNG24, dikelola oleh World Wide Web Consortium (W3C), memastikan evolusi dan kompatibilitasnya yang berkelanjutan dengan standar web.

Terlepas dari banyak kelebihannya, format PNG24 bukan tanpa kekurangan. Salah satu masalah utama adalah ukuran file; karena kompresi lossless dan kedalaman warna yang tinggi, file PNG24 biasanya lebih besar dari file JPEG. Ukuran file yang lebih besar ini dapat menyebabkan waktu pemuatan yang lebih lama untuk situs web dan menggunakan lebih banyak bandwidth. Oleh karena itu, untuk penggunaan web, sangat penting untuk menyeimbangkan kebutuhan akan kualitas dengan kebutuhan akan kecepatan, dan dalam beberapa kasus, format dengan kompresi lossy seperti JPEG mungkin lebih sesuai.

Selain itu, meskipun rentang warna PNG24 yang luas bermanfaat untuk gambar berkualitas tinggi, mungkin tidak diperlukan untuk grafik yang lebih sederhana dengan warna terbatas. Dalam kasus seperti itu, format dengan kedalaman warna yang lebih rendah seperti PNG8, yang mendukung 256 warna, mungkin lebih cocok. Memilih format yang sesuai berdasarkan konten gambar dapat secara signifikan mengurangi ukuran file tanpa mengorbankan kualitas visual untuk penggunaan yang dimaksudkan.

Selain format PNG24 standar, ada juga varian yang dikenal sebagai PNG32. Perbedaannya terletak pada penambahan saluran alfa 8-bit ke 24 bit yang ada untuk merah, hijau, dan biru, menghasilkan total 32 bit per piksel. Penggabungan saluran alfa langsung ke dalam format memungkinkan kontrol yang lebih besar atas transparansi, membuat PNG32 lebih disukai untuk gambar yang membutuhkan efek transparansi yang canggih.

Pembuatan dan manipulasi file PNG24 dapat dilakukan menggunakan berbagai alat dan aplikasi perangkat lunak. Sebagian besar perangkat lunak pengedit gambar, seperti Adobe Photoshop, GIMP, dan lainnya, menawarkan dukungan untuk PNG24, memungkinkan pengguna untuk menyimpan pekerjaan mereka dalam format ini secara langsung. Selain itu, berbagai alat online dan offline tersedia untuk mengoptimalkan file PNG24 untuk penggunaan web, lebih lanjut mengompresi file tanpa kehilangan kualitas. Alat-alat ini sering menerapkan strategi yang lebih agresif untuk mengurangi ukuran file, seperti mengurangi palet warna seminimal mungkin atau menyesuaikan pengaturan kompresi.

Mempertimbangkan spesifikasi teknis, proses pengkodean PNG24 melibatkan beberapa langkah, termasuk pemfilteran, yang bertujuan untuk meningkatkan efektivitas kompresi. Sebelum kompresi aktual, encoder dapat menerapkan salah satu dari lima metode filter ke setiap baris gambar untuk mengubah data gambar menjadi bentuk yang lebih dapat dikompresi. Langkah praproses ini dapat secara signifikan memengaruhi ukuran akhir file, dan memilih metode filter yang tepat berdasarkan karakteristik gambar dapat menghasilkan kompresi yang lebih efisien.

Aspek penting lainnya dari file PNG24 adalah struktur berbasis chunk-nya. File PNG terdiri dari beberapa chunk, masing-masing melayani tujuan yang berbeda seperti menyimpan data gambar, metadata, profil warna, dan banyak lagi. Pendekatan modular ini tidak hanya memfasilitasi pemrosesan dan rendering gambar yang efisien tetapi juga memungkinkan penyertaan informasi tambahan tanpa mengganggu struktur data yang ada. Misalnya, dimungkinkan untuk menyematkan informasi hak cipta dan lisensi langsung ke dalam file, meningkatkan perlindungan dan pengelolaan aset digital.

Aksesibilitas dan internasionalisasi juga dipertimbangkan dalam file PNG24. Informasi tekstual, seperti deskripsi dan anotasi, dapat disimpan dalam berbagai bahasa di dalam chunk teks file. Fitur ini membuat PNG24 cocok untuk distribusi global dengan memungkinkan pembuat untuk menyertakan informasi dan metadata yang dilokalkan, sehingga membuat gambar lebih mudah diakses dan dipahami oleh beragam audiens.

Kesimpulannya, format gambar PNG24 merupakan pilihan yang kuat dan serbaguna untuk menyimpan dan berbagi gambar berkualitas tinggi. Kompatibilitasnya dengan berbagai warna, dukungan untuk transparansi, dan kompresi lossless menjadikannya pilihan yang menarik untuk media web dan cetak. Namun, ukuran filenya yang relatif besar dan potensi berlebihan dalam grafik sederhana menyoroti pentingnya memilih format yang sesuai berdasarkan kebutuhan spesifik suatu proyek. Seiring teknologi dan standar web terus berkembang, PNG24 tetap menjadi pemain penting dalam ranah pencitraan digital, dihargai karena fleksibilitas dan kualitasnya.

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.