OCR di ogni HDR

Trascina una foto, una scansione o un PDF (fino a 2.5GB). Estraiamo il testo direttamente nel tuo browser — gratuitamente, illimitatamente e i tuoi file non lasciano mai il tuo dispositivo.

Privato e sicuro

Tutto accade nel tuo browser. I tuoi file non toccano mai i nostri server.

Velocissimo

Nessun caricamento, nessuna attesa. Converti nel momento in cui rilasci un file.

Realmente gratuito

Nessun account richiesto. Nessun costo nascosto. Nessun trucco sulle dimensioni dei file.

Il Riconoscimento Ottico dei Caratteri (OCR) trasforma le immagini di testo—scansioni, foto da smartphone, PDF—in stringhe leggibili dalla macchina e, sempre più, in dati strutturati. L'OCR moderno è una pipeline che pulisce un'immagine, trova il testo, lo legge ed esporta metadati ricchi in modo che i sistemi a valle possano cercare, indicizzare o estrarre campi. Due standard di output ampiamente utilizzati sono hOCR, un microformato HTML per testo e layout, e ALTO XML, uno schema orientato a biblioteche/archivi; entrambi conservano posizioni, ordine di lettura e altri spunti di layout e sono supportati da motori popolari come Tesseract.

Un rapido tour della pipeline

Pre-elaborazione. La qualità dell'OCR inizia con la pulizia dell'immagine: conversione in scala di grigi, denoising, sogliatura (binarizzazione) e raddrizzamento. I tutorial canonici di OpenCV coprono la sogliatura globale, adattiva e di Otsu —punti fermi per documenti con illuminazione non uniforme o istogrammi bimodali. Quando l'illuminazione varia all'interno di una pagina (pensa agli scatti del telefono), i metodi adattivi spesso superano una singola soglia globale; Otsu sceglie automaticamente una soglia analizzando l'istogramma. La correzione dell'inclinazione è altrettanto importante: il raddrizzamento basato su Hough (Trasformata di Hough) abbinato alla binarizzazione di Otsu è una ricetta comune ed efficace nelle pipeline di pre-elaborazione di produzione.

Rilevamento vs. riconoscimento. L'OCR è tipicamente suddiviso in rilevamento del testo (dov'è il testo?) e riconoscimento del testo (cosa dice?). Nelle scene naturali e in molte scansioni, i rilevatori completamente convoluzionali come EAST prevedono in modo efficiente quadrilateri a livello di parola o riga senza pesanti fasi di proposta e sono implementati in toolkit comuni (ad es. tutorial sul rilevamento del testo di OpenCV). Su pagine complesse (giornali, moduli, libri), la segmentazione di righe/regioni e l'inferenza dell'ordine di lettura sono importanti:Kraken implementa la segmentazione tradizionale di zone/righe e la segmentazione neurale della linea di base, con supporto esplicito per diversi script e direzioni (LTR/RTL/verticale).

Modelli di riconoscimento. Il classico cavallo di battaglia open-source Tesseract (reso open-source da Google, con radici in HP) si è evoluto da un classificatore di caratteri in un riconoscitore di sequenze basato su LSTM e può emettere PDF ricercabili, output compatibili con hOCR/ALTOe altro dalla CLI. I riconoscitori moderni si basano sulla modellazione di sequenze senza caratteri pre-segmentati. Connectionist Temporal Classification (CTC) rimane fondamentale, imparando gli allineamenti tra le sequenze di feature di input e le stringhe di etichette di output; è ampiamente utilizzato nelle pipeline di scrittura a mano e di testo di scena.

Negli ultimi anni, i Transformer hanno rimodellato l'OCR. TrOCR utilizza un encoder Vision Transformer più un decoder Text Transformer, addestrato su grandi corpora sintetici e poi messo a punto su dati reali, con ottime prestazioni su benchmark di testo stampato, scritto a mano e di scena (vedi anche documentazione di Hugging Face). In parallelo, alcuni sistemi eludono l'OCR per la comprensione a valle: Donut (Document Understanding Transformer) è un encoder-decoder senza OCR che produce direttamente risposte strutturate (come JSON chiave-valore) da immagini di documenti (repo, scheda del modello), evitando l'accumulo di errori quando un passaggio OCR separato alimenta un sistema IE.

Motori e librerie

Se si desidera una lettura del testo "batterie incluse" su molti script, EasyOCR offre una semplice API con oltre 80 modelli linguistici, restituendo riquadri, testo e confidenze, utile per prototipi e script non latini. Per i documenti storici, Kraken brilla con la segmentazione della linea di base e l'ordine di lettura consapevole dello script; per un addestramento flessibile a livello di riga, Calamari si basa sulla discendenza di Ocropy (Ocropy) con riconoscitori (multi-)LSTM+CTC e una CLI for la messa a punto di modelli personalizzati.

Set di dati e benchmark

La generalizzazione dipende dai dati. Per la scrittura a mano, il Database di scrittura a mano IAM fornisce frasi in inglese diverse per scrittore per l'addestramento e la valutazione; è un set di riferimento di lunga data per il riconoscimento di righe e parole. Per il testo di scena, COCO-Text ha stratificato annotazioni estese su MS-COCO, con etichette per stampato/scritto a mano, leggibile/illeggibile, script e trascrizioni complete (vedi anche la pagina del progetto originale). Il campo si basa anche pesantemente sul pre-addestramento sintetico: SynthText in the Wild renderizza il testo in fotografie con geometria e illuminazione realistiche, fornendo enormi volumi di dati per pre-addestrare rilevatori e riconoscitori (riferimento codice e dati).

Le competizioni sotto l'ombrello Robust Reading di ICDAR mantengono la valutazione fondata. I compiti recenti enfatizzano il rilevamento/lettura end-to-end e includono il collegamento di parole in frasi, con il codice ufficiale che riporta precisione/richiamo/F-score, intersection-over-union (IoU) e metriche di distanza di modifica a livello di carattere, rispecchiando ciò che i professionisti dovrebbero monitorare.

Formati di output e uso a valle

L'OCR raramente termina con testo semplice. Archivi e biblioteche digitali preferiscono ALTO XML perché codifica il layout fisico (blocchi/righe/parole con coordinate) insieme al contenuto, e si abbina bene con il packaging METS. Il hOCR microformato, al contrario, incorpora la stessa idea in HTML/CSS usando classi come ocr_line e ocrx_word, rendendo facile visualizzare, modificare e trasformare con strumenti web. Tesseract espone entrambi, ad es. generando hOCR o PDF ricercabili direttamente dalla CLI (guida all'output PDF); wrapper Python come pytesseract aggiungono convenienza. Esistono convertitori per tradurre tra hOCR e ALTO quando i repository hanno standard di ingestione fissi —vedi questo elenco curato di strumenti per formati di file OCR.

Guida pratica

  • Inizia con i dati e la pulizia. Se le tue immagini sono foto di telefono o scansioni di qualità mista, investi nella sogliatura (adattiva e Otsu) e nel raddrizzamento (Hough) prima di qualsiasi messa a punto del modello. Spesso otterrai di più da una robusta ricetta di pre-elaborazione che dalla sostituzione dei riconoscitori.
  • Scegli il rilevatore giusto. Per le pagine scansionate con colonne regolari, un segmentatore di pagine (zone → righe) può essere sufficiente; per le immagini naturali, i rilevatori a scatto singolo come EAST sono baseline forti e si collegano a molti toolkit (esempio OpenCV).
  • Scegli un riconoscitore che corrisponda al tuo testo. Per il latino stampato, Tesseract (LSTM/OEM) è robusto e veloce; per multi-script o prototipi veloci, EasyOCR è produttivo; per la scrittura a mano o i caratteri tipografici storici, considera Kraken o Calamari e pianifica la messa a punto. Se hai bisogno di un accoppiamento stretto con la comprensione dei documenti (estrazione chiave-valore, VQA), valuta TrOCR (OCR) rispetto a Donut (senza OCR) sul tuo schema—Donut potrebbe rimuovere un intero passaggio di integrazione.
  • Misura ciò che conta. Per i sistemi end-to-end, riporta il rilevamento F-score e il riconoscimento CER/WER (entrambi basati sulla distanza di modifica di Levenshtein ; vedi CTC); per compiti pesanti dal punto di vista del layout, traccia IoU/aderenza e la distanza di modifica normalizzata a livello di carattere come nei kit di valutazione ICDAR RRC .
  • Esporta output ricchi. Preferisci hOCR /ALTO (o entrambi) in modo da conservare le coordinate e l'ordine di lettura—fondamentale per l'evidenziazione dei risultati di ricerca, l'estrazione di tabelle/campi e la provenienza. La CLI di Tesseract e pytesseract lo rendono un gioco da ragazzi.

Guardando al futuro

La tendenza più forte è la convergenza: rilevamento, riconoscimento, modellazione del linguaggio e persino la decodifica specifica del compito si stanno fondendo in stack Transformer unificati. Il pre-addestramento su grandi corpora sintetici rimane un moltiplicatore di forza. I modelli senza OCR competeranno aggressivamente ovunque l'obiettivo siano output strutturati piuttosto che trascrizioni letterali. Aspettatevi anche implementazioni ibride: un rilevatore leggero più un riconoscitore in stile TrOCR per testo lungo, e un modello in stile Donut per moduli e ricevute.

Ulteriori letture e strumenti

Tesseract (GitHub) · Documentazione di Tesseract · Specifiche hOCR · Sfondo ALTO · Rilevatore EAST · Rilevamento del testo OpenCV · TrOCR · Donut · COCO-Text · SynthText · Kraken · Calamari OCR · ICDAR RRC · pytesseract · Scrittura a mano IAM · Strumenti per formati di file OCR · EasyOCR

Domande frequenti

Cos'è l'OCR?

L'Optical Character Recognition (OCR) è una tecnologia utilizzata per convertire vari tipi di documenti, come documenti cartacei scansionati, file PDF o immagini catturate da una fotocamera digitale, in dati modificabili e ricercabili.

Come funziona l'OCR?

L'OCR funziona analizzando l'immagine o il documento in ingresso, segmentando l'immagine in singoli caratteri, e confrontando ciascun carattere con un database di forme carattere utilizzando il riconoscimento di pattern o il riconoscimento delle caratteristiche.

Quali sono le applicazioni pratiche dell'OCR?

L'OCR viene utilizzato in vari settori e applicazioni, tra cui la digitalizzazione di documenti stampati, l'attivazione di servizi di testo in voce, l'automazione dei processi di inserimento dati, e l'aiuto agli utenti con problemi di vista a interagire in modo più efficace con il testo.

L'OCR è sempre preciso al 100%?

Nonostante ci siano stati notevoli progressi nella tecnologia OCR, non è infallibile. L'accuratezza può variare a seconda della qualità del documento originale e delle specifiche del software OCR utilizzato.

L'OCR può riconoscere la scrittura a mano?

Sebbene l'OCR sia principalmente progettato per il testo stampato, alcuni sistemi OCR avanzati sono anche in grado di riconoscere la scrittura a mano chiara e coerente. Tuttavia, il riconoscimento della scrittura a mano è generalmente meno preciso a causa della grande varietà di stili di scrittura individuali.

L'OCR può gestire più lingue?

Sì, molti sistemi software OCR possono riconoscere più lingue. Tuttavia, è importante assicurarsi che la lingua specifica sia supportata dal software che si utilizza.

Qual è la differenza tra OCR e ICR?

L'OCR sta per Optical Character Recognition ed è usato per riconoscere il testo stampato, mentre l'ICR, o Intelligent Character Recognition, è più avanzato ed è usato per riconoscere il testo scritto a mano.

L'OCR può lavorare con qualsiasi font e dimensione del testo?

L'OCR funziona meglio con font chiari, facilmente leggibili e dimensioni standard del testo. Anche se può lavorare con vari font e dimensioni, l'accuratezza tende a diminuire quando si tratta di font insoliti o dimensioni del testo molto piccole.

Quali sono le limitazioni della tecnologia OCR?

L'OCR può avere difficoltà con documenti a bassa risoluzione, font complessi, testi stampati male, scrittura a mano, e documenti con sfondi che interferiscono con il testo. Inoltre, anche se può lavorare con molte lingue, potrebbe non coprire ogni lingua perfettamente.

L'OCR può eseguire la scansione di testi colorati o sfondi colorati?

Sì, l'OCR può eseguire la scansione di testi colorati e sfondi colorati, sebbene generalmente sia più efficace con combinazioni di colori ad alto contrasto, come il testo nero su sfondo bianco. L'accuratezza può diminuire quando il colore del testo e dello sfondo non ha un contrasto sufficiente.

Qual è il formato HDR?

Immagine ad Alto Range Dinamico

Il formato immagine HALD, sebbene non ampiamente riconosciuto dalla popolazione generale, svolge un ruolo fondamentale nei flussi di lavoro avanzati di elaborazione delle immagini e di classificazione dei colori. Il suo principio di base è quello di funzionare come un riferimento neutro che mappa tutti i possibili valori di colore che possono essere visualizzati da un sistema di imaging digitale. Questa mappatura viene ottenuta attraverso un modello visivo unico che rappresenta lo spazio colore tridimensionale in un formato bidimensionale. In sostanza, l'immagine HALD funge da tabella di consultazione del colore (LUT) completa, consentendo un'efficiente manipolazione del colore in un'ampia gamma di applicazioni. Applicando regolazioni a un'immagine HALD e quindi utilizzando l'HALD modificato come LUT del colore, i professionisti possono ottenere trasformazioni del colore coerenti e prevedibili su più immagini o video.

L'origine del nome "HALD" non è ampiamente documentata, il che porta a una certa aura di mistero che circonda la sua nascita. In pratica, il formato immagine HALD rappresenta un'evoluzione della tabella di consultazione del colore (LUT), un concetto che è stato determinante nella classificazione dei colori e nell'elaborazione delle immagini. A differenza delle LUT tradizionali, che sono spesso limitate a una gamma specifica di trasformazioni del colore, un'immagine HALD contiene una rappresentazione di tutte le possibili trasformazioni del colore all'interno della sua griglia. Questa esaustiva incapsulazione dello spazio colore consente un livello di controllo e flessibilità senza precedenti nei processi di classificazione dei colori.

La creazione di un'immagine HALD implica la generazione di un modello che includa ogni colore all'interno dello spazio colore del dispositivo almeno una volta. In genere, ciò viene ottenuto suddividendo lo spazio colore in una griglia in cui ogni cella rappresenta un colore univoco. La complessità e le dimensioni di un'immagine HALD possono variare, generalmente aumentando con la precisione della rappresentazione del colore necessaria. Un'immagine HALD standard viene creata mappando lo spazio colore tridimensionale (rosso, verde, blu) su un piano bidimensionale, organizzando i colori in modo che possano essere facilmente elaborati dal software di editing delle immagini.

Le applicazioni pratiche delle immagini HALD spaziano in vari campi, dal cinema e dalla fotografia all'arte digitale e ai media di stampa. Nella post-produzione di film e video, le immagini HALD vengono utilizzate per creare LUT di colore che garantiscono la coerenza del colore tra diverse riprese o scene. I fotografi utilizzano le immagini HALD per applicare profili colore coerenti a lotti di immagini, riducendo significativamente il tempo necessario per la correzione manuale del colore. Nel regno dell'arte digitale, le immagini HALD facilitano la creazione di profili colore unici che possono essere applicati a tele digitali per migliorare l'espressione artistica.

Uno dei principali vantaggi del formato immagine HALD è la natura non distruttiva delle regolazioni del colore effettuate utilizzandola. Poiché le trasformazioni del colore vengono applicate utilizzando una LUT derivata dall'immagine HALD piuttosto che direttamente all'immagine originale, i dati sottostanti dell'immagine originale rimangono inalterati. Ciò consente facili revisioni e sperimentazioni con diverse classificazioni dei colori senza compromettere la qualità dell'immagine originale. Inoltre, l'applicazione di classificazioni dei colori tramite una LUT basata su HALD è spesso più veloce della correzione manuale del colore, semplificando il flusso di lavoro di post-produzione.

La creazione tecnica di un'immagine HALD richiede un software specializzato in grado di generare la complessa griglia che rappresenta lo spazio colore. Questo processo inizia con la definizione delle dimensioni dell'immagine HALD, che determina la gamma di colori che può rappresentare. Lo spazio colore viene quindi discretizzato in una serie di cubi, ognuno corrispondente a un colore specifico. Questi cubi vengono appiattiti in una griglia bidimensionale, creando l'immagine HALD. La precisione della rappresentazione del colore in un'immagine HALD è direttamente proporzionale alla sua risoluzione, con risoluzioni più elevate che consentono una classificazione del colore più dettagliata.

Per utilizzare un'immagine HALD per la classificazione dei colori, il primo passo è applicare le correzioni del colore desiderate all'immagine HALD stessa. Ciò può essere fatto utilizzando qualsiasi software di editing delle immagini standard, consentendo regolazioni del bilanciamento del colore, del contrasto, della saturazione e altro ancora. Una volta effettuate le regolazioni, l'immagine HALD modificata viene convertita in una LUT. Questa LUT può quindi essere applicata ad altre immagini o filmati video, replicando le regolazioni del colore su tutti gli elementi visivi. Il risultato è una classificazione del colore coerente e armonizzata che migliora l'estetica generale del progetto.

Nonostante i numerosi vantaggi, ci sono considerazioni da tenere a mente quando si lavora con immagini HALD. La qualità e la precisione della classificazione del colore ottenibili con le immagini HALD dipendono dalla risoluzione dell'immagine HALD stessa. Le immagini HALD a risoluzione più elevata consentono una classificazione del colore più dettagliata, ma richiedono anche maggiore potenza di elaborazione e spazio di archiviazione. Inoltre, l'efficacia di una LUT basata su HALD nel raggiungere la classificazione del colore desiderata può variare a seconda del profilo colore del contenuto originale e delle condizioni di illuminazione, rendendo necessarie regolazioni o personalizzazioni dell'immagine HALD o della LUT.

L'integrazione delle immagini HALD in un flusso di lavoro digitale può migliorare significativamente l'efficienza e la qualità dei processi di classificazione dei colori. Ad esempio, in una produzione cinematografica, la creazione di una serie di immagini HALD su misura per diverse condizioni di illuminazione e impostazioni della fotocamera può facilitare una rapida classificazione del colore in varie scene. In fotografia, la generazione di un'immagine HALD specifica per il profilo colore di una fotocamera può semplificare il processo di correzione del colore per un ampio lotto di foto, garantendo uniformità e risparmiando tempo prezioso. Inoltre, in contesti in cui la precisione del colore è fondamentale, come nell'imaging medico o nella rappresentazione del colore del marchio, le immagini HALD offrono uno strumento per ottenere una calibrazione del colore precisa.

Il potenziale delle immagini HALD si estende oltre le loro attuali applicazioni. Man mano che la potenza di calcolo aumenta e il software diventa più avanzato, le possibilità di sfruttare le immagini HALD in sforzi creativi e tecnici si espanderanno. Gli sviluppi futuri potrebbero includere strumenti software più intuitivi per generare e modificare immagini HALD, algoritmi migliorati per una rappresentazione del colore più accurata e una più ampia adozione nei settori in cui la fedeltà del colore è critica. Inoltre, l'integrazione dell'intelligenza artificiale nell'elaborazione delle immagini HALD potrebbe automatizzare e perfezionare il processo di classificazione dei colori, rendendolo più accessibile sia ai principianti che ai professionisti.

Tuttavia, la proliferazione della tecnologia HALD porta anche sfide, in particolare in termini di standardizzazione e interoperabilità. Poiché diversi produttori di software e hardware adottano la tecnologia HALD, garantire la compatibilità tra piattaforme e dispositivi diventa cruciale. Senza formati e procedure standardizzati per la creazione, la modifica e l'applicazione di immagini HALD, gli utenti potrebbero incontrare difficoltà nel raggiungere risultati coerenti. Affrontare queste sfide richiederà la collaborazione tra gli stakeholder del settore per stabilire standard comuni che facilitino l'uso senza interruzioni delle immagini HALD in varie applicazioni.

Un altro ostacolo significativo nella diffusione delle immagini HALD è l'istruzione e la consapevolezza. Nonostante i vantaggi tecnici offerti dalle immagini HALD, la loro complessità e le conoscenze specialistiche necessarie per generarle e utilizzarle in modo efficace possono essere scoraggianti per molti potenziali utenti. Per superare questa barriera, è essenziale lo sviluppo di risorse educative complete e interfacce software user-friendly. Semplificando il processo di lavoro con le immagini HALD e fornendo una guida chiara e accessibile, produttori e sviluppatori di software possono ampliare l'attrattiva di questo potente strumento.

In conclusione, il formato immagine HALD rappresenta un progresso significativo nell'elaborazione delle immagini digitali, offrendo flessibilità e precisione senza precedenti nella classificazione dei colori. La sua capacità di incapsulare l'intero spazio colore in un unico formato non distruttivo offre ai professionisti creativi uno strumento potente per ottenere schemi di colori coerenti e armoniosi su una gamma di supporti visivi. Man mano che la tecnologia si evolve, le potenziali applicazioni per le immagini HALD si espanderanno senza dubbio, promettendo sviluppi entusiasmanti nel campo della classificazione digitale del colore. Tuttavia, realizzare questo potenziale dipenderà dal superamento delle sfide legate alla standardizzazione, all'interoperabilità e all'educazione degli utenti. Man mano che il settore continua a evolversi, l'adozione e il perfezionamento della tecnologia HALD svolgeranno un ruolo cruciale nel plasmare il futuro dell'imaging digitale.

Formati supportati

AAI.aai

Immagine AAI Dune

AI.ai

Adobe Illustrator CS2

AVIF.avif

Formato di file immagine AV1

BAYER.bayer

Immagine Bayer grezza

BMP.bmp

Immagine bitmap di Microsoft Windows

CIN.cin

File immagine Cineon

CLIP.clip

Maschera di ritaglio immagine

CMYK.cmyk

Campioni grezzi ciano, magenta, giallo e nero

CUR.cur

Icona Microsoft

DCX.dcx

ZSoft IBM PC multi-pagina Paintbrush

DDS.dds

Superficie DirectDraw Microsoft

DPX.dpx

Immagine SMTPE 268M-2003 (DPX 2.0)

DXT1.dxt1

Superficie DirectDraw Microsoft

EPDF.epdf

Formato Documento Portatile Incapsulato

EPI.epi

Formato di interscambio PostScript incapsulato Adobe

EPS.eps

PostScript incapsulato Adobe

EPSF.epsf

PostScript incapsulato Adobe

EPSI.epsi

Formato di interscambio PostScript incapsulato Adobe

EPT.ept

PostScript incapsulato con anteprima TIFF

EPT2.ept2

PostScript incapsulato Livello II con anteprima TIFF

EXR.exr

Immagine ad alto range dinamico (HDR)

FF.ff

Farbfeld

FITS.fits

Sistema di Trasporto Immagini Flessibile

GIF.gif

Formato di interscambio grafico CompuServe

HDR.hdr

Immagine ad Alto Range Dinamico

HEIC.heic

Contenitore immagini ad alta efficienza

HRZ.hrz

Slow Scan TeleVision

ICO.ico

Icona Microsoft

ICON.icon

Icona Microsoft

J2C.j2c

Flusso di codici JPEG-2000

J2K.j2k

Flusso di codici JPEG-2000

JNG.jng

Grafica di Rete JPEG

JP2.jp2

Sintassi del Formato File JPEG-2000

JPE.jpe

Formato JFIF del Gruppo di Esperti Fotografici Coniugati

JPEG.jpeg

Formato JFIF del Gruppo di Esperti Fotografici Coniugati

JPG.jpg

Formato JFIF del Gruppo di Esperti Fotografici Coniugati

JPM.jpm

Sintassi del Formato File JPEG-2000

JPS.jps

Formato JPS del Gruppo di Esperti Fotografici Coniugati

JPT.jpt

Sintassi del Formato File JPEG-2000

JXL.jxl

Immagine JPEG XL

MAP.map

Database di Immagini Senza Soluzione di Continuità a Multi-risoluzione (MrSID)

MAT.mat

Formato immagine MATLAB livello 5

PAL.pal

Pixmap Palm

PALM.palm

Pixmap Palm

PAM.pam

Formato bitmap bidimensionale comune

PBM.pbm

Formato bitmap portatile (bianco e nero)

PCD.pcd

Foto CD

PCT.pct

Apple Macintosh QuickDraw/PICT

PCX.pcx

ZSoft IBM PC Paintbrush

PDB.pdb

Formato ImageViewer del database Palm

PDF.pdf

Formato Documento Portatile

PDFA.pdfa

Formato di Archivio Documento Portatile

PFM.pfm

Formato float portatile

PGM.pgm

Formato graymap portatile (scala di grigi)

PGX.pgx

Formato non compresso JPEG 2000

PICT.pict

Apple Macintosh QuickDraw/PICT

PJPEG.pjpeg

Formato JFIF del Gruppo di Esperti Fotografici Condivisi

PNG.png

Grafica Rete Portatile

PNG00.png00

PNG eredita la profondità di bit, il tipo di colore dall'immagine originale

PNG24.png24

RGB a 24 bit opaco o trasparente binario (zlib 1.2.11)

PNG32.png32

RGBA a 32 bit opaco o trasparente binario

PNG48.png48

RGB a 48 bit opaco o trasparente binario

PNG64.png64

RGBA a 64 bit opaco o trasparente binario

PNG8.png8

Indicizzato a 8 bit opaco o trasparente binario

PNM.pnm

Anymap portatile

PPM.ppm

Formato pixmap portatile (colore)

PS.ps

File Adobe PostScript

PSB.psb

Formato Grande Documento Adobe

PSD.psd

Bitmap Adobe Photoshop

RGB.rgb

Campioni grezzi di rosso, verde e blu

RGBA.rgba

Campioni grezzi di rosso, verde, blu e alfa

RGBO.rgbo

Campioni grezzi di rosso, verde, blu e opacità

SIX.six

Formato grafico DEC SIXEL

SUN.sun

Rasterfile Sun

SVG.svg

Grafica Vettoriale Scalabile

TIFF.tiff

Formato File Immagine Etichettato

VDA.vda

Immagine Truevision Targa

VIPS.vips

Immagine VIPS

WBMP.wbmp

Immagine Bitmap Wireless (livello 0)

WEBP.webp

Formato Immagine WebP

YUV.yuv

CCIR 601 4:1:1 o 4:2:2

Domande frequenti

Come funziona?

Questo convertitore funziona interamente nel tuo browser. Quando selezioni un file, viene letto in memoria e convertito nel formato selezionato. Puoi quindi scaricare il file convertito.

Quanto tempo ci vuole per convertire un file?

Le conversioni iniziano istantaneamente e la maggior parte dei file viene convertita in meno di un secondo. I file più grandi potrebbero richiedere più tempo.

Cosa succede ai miei file?

I tuoi file non vengono mai caricati sui nostri server. Vengono convertiti nel tuo browser e il file convertito viene quindi scaricato. Non vediamo mai i tuoi file.

Quali tipi di file posso convertire?

Supportiamo la conversione tra tutti i formati di immagine, inclusi JPEG, PNG, GIF, WebP, SVG, BMP, TIFF e altro ancora.

Quanto costa?

Questo convertitore è completamente gratuito e lo sarà sempre. Poiché funziona nel tuo browser, non dobbiamo pagare per i server, quindi non dobbiamo addebitarti alcun costo.

Posso convertire più file contemporaneamente?

Sì! Puoi convertire tutti i file che vuoi in una volta. Basta selezionare più file quando li aggiungi.