光学文字認識（OCR）は、テキストの画像（スキャン、スマートフォンの写真、PDF）を機械が読み取れる文字列に、そしてますます 構造化データに変換します。現代のOCRは、画像をクリーンアップし、テキストを見つけ、それを読み取り、豊富なメタデータをエクスポートするパイプラインであり、 下流のシステムがフィールドを検索、索引付け、または抽出できるようにします。広く使用されている2つの出力標準は、 hOCR、テキストとレイアウトのためのHTMLマイクロフォーマット、および ALTO XML、図書館/アーカイブ指向のスキーマです。どちらも位置、読み取り順序、その他のレイアウトの合図を保持し、Tesseractのような人気のあるエンジンでサポートされています。
前処理。 OCRの品質は、画像のクリーンアップから始まります：グレースケール変換、ノイズ除去、 しきい値処理（二値化）、および傾き補正。標準的なOpenCVのチュートリアルでは、グローバル、 適応型 および Otsu のしきい値処理が扱われています。これらは、不均一な照明やバイモーダルなヒストグラムを持つドキュメントの定番です。ページ内で照明が変化する場合 （電話のスナップショットを考えてみてください）、適応型メソッドは単一のグローバルしきい値よりも優れていることがよくあります。Otsu はヒストグラムを分析して自動的にしきい値を選択します。傾き補正も同様に重要です：Houghベースの 傾き補正（ハフライン変換）とOtsuの二値化を組み合わせることは、生産前処理パイプラインで一般的で効果的なレシピです。
検出と認識。 OCRは通常、テキスト検出（テキストはどこにあるか ？）とテキスト認識（何が書かれているか？）に分けられます。自然なシーンや多くのスキャンでは、 EAST のような完全畳み込み検出器は、重い提案段階なしで単語または行レベルの四辺形を効 率的に予測し、 一般的なツールキット（例： OpenCVのテキスト検出チュートリアル）に実装されています。複雑なページ（新聞、フォーム、書籍）では、行/領域のセグメンテーションと読み取り順序の推論が重要です：Kraken は、従来のゾーン/ラインセグメンテーションとニューラルベースラインセグメンテーションを実装しており、さまざまなスクリプトと方向（LTR / RTL /垂直）を明示的にサポートしています。
認識モデル。 古典的なオープンソースの主力製品である Tesseract （Googleによってオープンソース化され、HPにルーツを持つ）は、文字分類器からLSTMベースのシーケンス 認識器に進化し、検索可能なPDF、 hOCR / ALTOフレンドリーな出力などをCLIから出力できます。現代の認識器は、事前にセグメント化された文字なしでシーケンスモデリングに依存しています。 コネクショニスト時間分類（CTC） は、入力特徴シーケンスと出力ラベル文字列間のアライメントを学習する基礎であり続け、手書きおよびシーンテキストパイプラインで広く 使用されています。
過去数年間で、TransformerはOCRを再構築しました。 TrOCR は、ビジョントランスフォーマーエンコーダーとテキストトランスフォーマーデコーダーを使用し、大規模な合成コーパスでトレーニングされた後、 実際のデータで微調整され、印刷、手書き、シーンテキストのベンチマークで強力なパフォーマンスを発揮します（ Hugging Faceのドキュメントも参照）。並行して、一部のシステムは下流の理解のためにOCRを回避します： Donut（Document Understanding Transformer） は、ドキュメント 画像から直接構造化された回答（キーと値のJSONなど）を出力するOCRフリーのエンコーダーデコーダーです（リポジトリ、 モデルカード）、別のOCRステップがIEシステムにフィードされるときのエラー蓄積を回避します。
多くのスクリプトでバッテリー付属のテキスト読み取りが必要な場合は、 EasyOCR が80以上の言語モデルを備えたシンプルなAPIを提供し、ボックス、テキスト、信頼度を返します。これはプロトタイプや 非ラテン文字のスクリプトに便利です。歴史的な文書の場合、 Kraken はベースラインセグメンテーションとスクリプト対応の読み取り順序で 優れています。柔軟な行レベルのトレーニングには、 Calamari がOcropyの系統に基づいて構築されています（Ocropy）（マルチ）LSTM + CTC認識器とカスタムモデルを微調整するためのCLIを備えています。
一般化はデータにかかっています。手書きの場合、 IAM手書きデータベース は、トレーニングと評価のために作家の多様な英語の文章を提供します。これは、 行と単語の認識のための長年の参照セットです。シーンテキストの場合、 COCO-Text は、MS-COCOに広範な注釈を重ね、印刷/手書き、判読可能/判読不能、スクリプト、および 完全な転写のラベルを付けました（元の プロジェクトページも参照）。この分野はまた、合成事前トレーニングに大きく依存しています： SynthText in the Wild は、リアルなジオメトリと照明でテキストを写真にレンダリングし、事前トレーニング 検出器と認識器に大量のデータを提供します（参照 コードとデータ）。
ICDARのRobust Reading の傘下での競争は、評価を現実的なものに保ちます。最近のタスクは、エンドツーエンドの検出/読み取りを強調し、単語を フレーズにリンクすることを含み、公式コードは 精度/再現率/ Fスコア、和集合上の積集合 （IoU）、および文字レベルの編集距離メトリックを報告します。これは、実践者が追跡すべきことを反映しています。
OCRはめったにプレーンテキストで終わりません。アーカイブやデジタルライブラリは ALTO XML を好みます。なぜなら、コンテンツとともに物理的なレイアウト（座標を持つブロック/行/単語）をエンコードし、 METSパッケージングとうまく連携するからです。 hOCR マイクロフォーマットは、対照的に、ocr_lineや ocrx_wordなどのクラスを使用して同じアイデアをHTML / CSSに埋め込み、Webツールで簡単に表示、編集、変換できるようにします。Tesseractは両方を公開しています。たとえば、 CLIから直接hOCRまたは検索可能なPDFを生成します（PDF出力ガイド）。 pytesseract のようなPythonラッパーは利便性を高めます。リポジトリに固定の取り込み 標準がある場合、hOCRとALTOの間で変換するためのコンバーターが存在します。この厳選されたリスト を参照してください OCRファイル形式ツール。
最も強力なトレンドは収束です：検出、認識、言語モデリング、さらにはタスク固有のデコードまで が統一されたTransformerスタックに統合されています。 大規模な合成コーパス での事前トレーニングは、依然として力の乗数です。OCRフリーモデルは、ターゲットが逐語的な転写ではなく構造化された出力である場所ならどこでも積極的に競争します。 ハイブリッド展開も期待してください：長文テキスト用の軽量検出器とTrOCRスタイルの 認識器、およびフォームとレシート用のDonutスタイルのモデル。
Tesseract (GitHub) · Tesseractドキュメント · hOCR仕様 · ALTOの背景 · EAST検出器 · OpenCVテキスト検出 · TrOCR · Donut · COCO-Text · SynthText · Kraken · Calamari OCR · ICDAR RRC · pytesseract · IAM手書き · OCRファイル形式ツール · EasyOCR
光学的文字認識（OCR）は、さまざまな形式のドキュメント（スキャンされた紙のドキュメント、PDFファイル、デジタルカメラで撮影された画像など）を編集可能で検索可能なデータに変換するために使用される技術です。
OCRは入力画像またはドキュメントをスキャンし、画像を個々の文字に分割し、各文字を形状認識または特徴認識を使用して文字形状のデータベースと比較します。
OCRは印刷文書のデジタル化、テキストから音声へのサービスの活用、デ ータ入力プロセスの自動化、視覚障害のあるユーザーがテキストとより良く対話できるようにするなど、さまざまな業界とアプリケーションで使用されています。
OCR技術は大幅に進歩していますが、それが無敵ではありません。精度は、元のドキュメントの品質と使用されているOCRソフトウェアの特性によって異なることがあります。
OCRは主に印刷されたテキストを認識するように設計されていますが、一部の高度なOCRシステムは明瞭で一貫性のある手書き文字も認識することができます。ただし、個々の文字スタイルの変動幅が広いため、手書き文字の認識は通常、印刷されたテキストの認識よりも精度が低いです。
はい、 多くのOCRソフトウェアは複数の言語を認識できます。ただし、特定の言語がサポートされていることを確認する必要があります。
OCRはOptical Character Recognition（光学的文字認識）の略で、印刷されたテキストを認識します。一方、ICRはIntelligent Character Recognition（知能的文字認識）の略で、より進んだ技術を使用して手書きのテキストを認識します。
OCRはクリアで読みやすいフォントと標準的な文字サイズを処理するのに最も適しています。それはさまざまなフォントとサイズを処理する能力を持っていますが、非常に小さい文字サイズや一般的でないフォントを処理するときには、その精度が下がる可能性があります。
OCRは低解像度のドキュメント、複雑なフォント、印刷品質が悪いテキスト、手書きのテキスト、またはテキストが含まれている背景からの混乱を処理するのに問題を抱えている可能性があります。さらに、それは多言語を处理する能力を持っていますが、すべての言語を完全にカバーすることはできない可能性があります。
はい、OCRはカラーテキストとカラーバックグラウンドをスキャンすることができますが、通常は黒いテキストと白いバックグラウンドといった高いコントラストの色の組み合わせに対して最も効果的です。テキストとバックグラウンドの色のコントラストが不十分な場合、その精度が下がる可能性があります。
DirectDraw Surface (DDS) 形式はラスターイメージファイル形式で、主にビデオゲームやその他の 3D アプリケーションでテクスチャとキューブマップを格納するために使用されます。Microsoft によって開発された DDS 形式はハードウェアアクセラレーション用に最適化されており、グラフィックス処理ユニット (GPU) でテクスチャデータを直接使用できます。この最適化により、GPU が圧縮テクスチャデータに直接アクセスできるようになり、CPU による追加の処理や解凍の必要性がなくなるため、リアルタイムレンダリングアプリケーションでのイメージの読み込み時間が大幅に短縮されます。
DDS 形式の重要な機能の 1 つは、DirectX テクスチャ圧縮 (DXT) のサポートです。DXT は、ファイルサイズとテクスチャ転送に必要な帯域幅を大幅に低下させ、イメージの品質を大幅に低下させることなく、ロスのあるテクスチャ圧縮アルゴリズムです。DXT 圧縮には、DXT1、DXT3、DXT5 のいくつかのバリエーションがあり、それぞれが圧縮率と品質のバランスが異なります。DXT1 はアルファチャンネルまたは単純なバイナリアルファのないテクスチャ用に設計されており、DXT3 は明示的なアルファを持つテクスチャに使用され、DXT5 は補間されたアルファ透過性を持つテクスチャに使用されます。
DDS 形式のもう 1 つの大きな利点は、ミップマッピングのサポートです。ミップマップは、テクスチャの事前に計算された最適化されたバージョンであり、それぞれが徐々に低い解像度になっています。これらの小さなテクスチャは、オブジェクトがカメラから遠く離れているときに使用され、パフォーマンスが向上し、エイリアシングのアーティファクトが減少します。単一の DDS ファイル内にミップマップチェーン全体を格納することで、ゲームエンジンはビューアーからの距 離に基づいてテクスチャオブジェクトに最適な詳細レベルをすばやく選択でき、レンダリング効率がさらに向上します。
DDS 形式は、キューブマップを使用してキュービック環境マッピングもサポートしています。キューブマップは、単一ポイントから見た環境の反射を表す 6 つの正方形のテクスチャで構成されており、3D 世界での反射をシミュレートします。これらのキューブマップを DDS 形式に直接格納すると、リアルタイムアプリケーションで効率的な環境反射が可能になり、3D グラフィックスの没入感が向上します。
圧縮と効率の機能に加えて、DDS 形式はハイダイナミックレンジ (HDR) のテクスチャを格納できます。HDR テクスチャは、より広い範囲の明るさと色を提供し、3D レンダリングでよりリアルなライティング効果を提供します。この機能は、フォトリアリスティックな視覚品質を達成することを目的とした、最新のゲームエンジンとグラフィックスソフトウェアに不可欠です。DDS ファイルでの HDR のサポートは、ハイエンドグラフィックスアプリケーションでの広範な使用に貢献しています。
DDS ファイル形式の構造には、高さ、幅、ピクセルデータの形式、ミップマップまたはキューブマップの存在を示すフラグなどのテクスチャデータに関するメタデータを含むヘッダーと、オプションの追加ヘッダーが含まれます。メタデータに対するこの構造化されたアプローチにより、アプリケーションは DDS ファイル内のテクスチャデータを正確に解釈して利用でき、データを広範囲に処理または照会する必要がなくなります。
数多くの利点があるにもかかわらず、DDS 形式には制限と課題があります。たとえば、DXT 圧縮はファイルサイズを大幅に削減しますが、特に詳細レベルが高いテクスチャや複雑なアルファ遷移ではアーティファクトが発生する可能性があります。圧縮レベル (DXT1、DXT3、DXT5) の選択はテクスチャの視覚的忠実度に影響するため、テクスチャアーティストと開発者はプロジェクトの特定のニーズに基づいて適切な圧縮設定を選択することが不可欠です。
DDS 形式に関連するもう 1 つの課題は、ゲーム開発と 3D アプリケーション以外のサポートが限定されていることです。ビデオゲーム業界や DirectX などのグラフィックス API 内で広くサポートされ使用されていますが、DDS ファイルは画像編集ソフトウェアで普遍的にサポートされているわけではありません。この制限により、DDS ファイルをより普遍的にサポートされている形式に変換して、特殊なソフトウェア以外の編集または表示を行う必要があり、グラフィックスアーティストのワークフローが複雑になる可能性があります。
ただし、グラフィックス開発ツールとライブラリの進歩により、これらの課題の一部が軽減されました。多くの最新の画像編集ソフトウェアパッケージでは、DDS 形式のプラグインまたは組み込みサポートが導入されており、変換せずに DDS ファイルを直接編集できます。さらに、オープンソースのライブラリとツールキットにより、開発者は DDS サポートをアプリケーションに簡単に統合できるようになり、DDS 形式のアクセシビリティと使い勝手が、従来のビデオゲームや 3D アプリケーションのニッチを超えて拡大しました。
DDS 形式の採用は、従来のビデオゲームを超えて、仮想現実 (VR) 、拡張現実 (AR)、プロフェッショナルビジュアライゼーションアプリケーションなどの分野にまで広がっています。これらの分野では、DDS 形式の効率と圧縮機能が特に貴重です。これにより、没入型環境で高品質のテクスチャをリアルタイムでレンダリングできます。これにより、より複雑でリアルな VR および AR エクスペリエンスと、科学的および産業的アプリケーション向けの高解像度ビジュアライゼーションツールが開発されました。
将来を見据えると、グラフィックスハードウェアとソフトウェアの継続的な進化により、DDS 形式の関連性と機能がさらに向上する可能性があります。新しい圧縮アルゴリズム、ハイダイナミックレンジイメージングのより高度なサポート、新しいレンダリング技術の強化されたサポートが DDS 仕様に統合される可能性があります。これらの進歩により、DDS 形式は最先端の 3D グラフィックスとゲームテクノロジーの開発における重要なツールとして機能し続けることができます。
結論として、DDS イメージ形式は 3D グラフィックスとゲーム開発の分野における重要なテクノロジーであり、リアルタイムレンダリングの要求に合わせた効率、品質、柔軟性を兼ね備えています。さまざまな圧縮アルゴリズム、ミップマッピング、キューブマップ、ハイダイナミックレンジイメージングのサポートにより、視覚品質とパフォーマンスの境界を押し広げようとする開発者にとって不可欠な形式となっています。採用や圧縮によるアーティファクトの導入に関連する課題にもかかわらず、DDS 形式は継続的なサポートと進歩により業界での関連性が確保され、最新の 3D グラフィッ クスアプリケーションの基盤となっています。
このコンバーターはブラウザ内で完全に動作します。ファイルを選択すると、メモリに読み込まれ、選択したフォーマットに変換されます。その後、変換されたファイルをダウンロードできます。
変換は瞬時に開始され、ほとんどのファイルは1秒以内に変換されます。大きなファイルの場合、時間がかかる場合があります。
ファイルは決してサーバにアップロードされません。ブラウザ内で変換され、変換されたファイルがダウンロードされます。ファイルは見られません。
画像フォーマット間の変換すべてに対応しています。JPEG、PNG、GIF、WebP、SVG、BMP、TIFFなどです。
このコンバーターは完全に無料で、永久に無料のままです。ブラウザ内で動作する ため、サーバを用意する必要がないので、料金を請求する必要がありません。
はい、一度に複数のファイルを変換できます。追加時に複数のファイルを選択してください。