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。
ISOBRL 画像形式は、視覚障害者向けの触覚グラフィックを表すために設計された特殊なファイル形式です。触覚グラフィックは、盲目または弱視の人が触って感じるように、隆起した表面を使用した画像です。ISOBRL は ISO ブライユを意味し、この形式が国際標準化機構 (ISO) によって標準化されており、視覚障害者が使用する触覚筆記システムであるブライユと密接に関連していることを示しています。ISOBRL 形式はアクセシビリティのための重要なツールであり、ブライユエンボス加工機またはその他の触覚印刷デバイスを使用して印刷できる触覚グラフィックを作成および配布するための標準化された方法を提供します。
ISOBRL ファイルは通常、デザイナーが視覚画像を触覚で解釈できる形式に変換できる特殊なソフトウェアを使用して作成されます。このソフトウェアには、触覚グラフィックとしてより読みやすくするために画像を簡略化および修正するためのツールが多数含まれています。たとえば、描画内の線の数を減らしたり、異なる要素間のコントラストを高めて触覚でより区別できるようにしたりします。その後、ソフトウェアは隆起した要素の高さや質感、およびそれらの空間的な配置に関する情報を含む ISOBRL 形式で画像を保存します。
ISOBRL 形式は、機械可読と人間可読の両方になるように設計されています。画像のタイトル、作成者の名前、画像のテキストによる説明など、画像を説明するメタデータが含まれています。このメタデータは、ユーザーが画像のコンテキストを理解できるようにし、スクリーンリーダーやその他の支援技術で読み取ることができるため重要です。この形式には、さまざまな質感やパターンを表す標準化された方法も含まれており、触覚を通じてユーザーに追加情報を伝えることができます。
ISOBRL 形式の重要な機能の 1 つは、そのスケーラビリティです。触覚グラフィックは、ユーザーが指先で詳細を感じられるほど十分に大きくする必要がありますが、標準サイズのブライユ紙にも収まる必要があります。ISOBRL 形式を使用すると、詳細を失うことなく画像を拡大または縮小できるため、同じファイルをさまざまなサイズで印刷して、さまざまなユーザーやさまざまな印刷デバイスに対応できます。このスケーラビリティは、ピクセルではなく数学的方程式を使用して画像を表すベクターグラフィックスを使用することで実現されます。
ベクターグラフィックスは、ぼやけたりピクセル化したりすることなくサイズを変更できるため、触覚画像に最適です。ISOBRL 形式では、線、曲線、その他の形状は、端点の座標や曲線の半径などの幾何学的特性によって定義されます。これにより、シャープなエッジと明確なテクスチャを維持しながら、任意のサイズで画像をレンダリングできます。ベクターグラフィックスを使用すると、ISOBRL 形式も効率的になり、通常、個々のピクセルに関する情報を格納する必要があるラスター画像と比較して、ファイルサイズが小さくなります。
ISOBRL 形式のもう 1 つの重要な側面は、レイヤーのサポートです。触覚グラフィックは、マップやダイアグラムなど、複雑な情報を伝える必要があることが多く、すべての要素が同じ高さで印刷されると解釈が難しい場合があります。ISOBRL 形式を使用すると、デザイナーは画像内に複数のレイヤーを作成できます。各レイヤーには独自の高さやテクスチャがあります。これにより、さまざまな種類の情報をさまざまな触覚感覚で表 現できるようになり、触覚で画像をより簡単に理解できます。
ISOBRL のレイヤーシステムは透明度もサポートしているため、下位のレイヤーは上位のレイヤーの下に部分的または完全に表示できます。これは、シェーディングなどの効果を作成したり、画像内のさまざまな要素間の関係を示したりするために使用できます。たとえば、マップでは、道路は 1 つのレイヤーに、水域は別のレイヤーに表され、2 つが重なっても互いに隠れません。触覚グラフィックの透明度は、従来の画像の視覚的な透明度に類似しており、奥行きと複雑さを伝える方法を提供します。
ISOBRL ファイルはインタラクティブになるように設計されています。他の ISOBRL ファイルや、画像の音声説明などの外部リソースへのハイパーリンクを含めることができます。このインタラクティビティは、触覚グラフィックがより大きなリソースセットの一部となる可能性がある教育資料にとって重要です。ユーザーは、ISOBRL ファイルに埋め込まれており、適切な機能を備えた触覚読書デバイスを使用してアクティブ化できるこれらのリンクをたどることで、さまざまな画像間を移動したり、追加情報にアクセスしたりできます。
ISOBRL ファイルの作成は単なる技術的なプロセスではなく、視覚障害者が触覚グラフィックをどのように認識するかを理解することも必要です。デザイナーは、隆起した要素間のスペース、それらの要素の高さ、画像の全体的な複雑さなどの要因を考慮する必要があります。また、非常に細かいディテールを再現できない可能性がある触覚印刷デバイスの制限を認識する必要があります。その結果、ISOBRL 形式で 効果的な触覚グラフィックを作成することは、技術的な知識とアクセシビリティとユーザーエクスペリエンスに関する深い理解を組み合わせたスキルです。
ISOBRL ファイルをできるだけ多くのユーザーが利用できるようにするために、この形式は幅広い触覚印刷デバイスと互換性を持つように設計されています。これには、紙に隆起したドットを作成するブライユエンボス加工機だけでなく、さまざまな質感や高さを生成できるより高度なデバイスも含まれます。ISOBRL 形式は、隆起した要素の最小および最大の高さ、およびテクスチャの解像度を指定して、画像をさまざまなデバイスで正確に印刷できるようにします。
ISOBRL 形式には、信頼できないネットワークを介して送信されたり、時間の経過とともに劣化したりする可能性のあるメディアに保存された場合でも、ファイルを正しく印刷できるようにするエラー訂正機能も含まれています。これは、さまざまな場所でユーザーに触覚グラフィックを配布する図書館やその他の機関にとって特に重要です。ISOBRL ファイルのエラー訂正メカニズムは、軽微な破損を検出して修復し、触覚グラフィックが使用可能な状態を維持します。
技術的な機能に加えて、ISOBRL 形式はオープンで拡張可能になるように設計されています。オープンスタンダードに基づいているため、独自のソフトウェアやライセンスを必要とせずに誰でも実装できます。この開放性は、ISOBRL 形式に関する新しいツールやサービスの開発を促進し、作成者とユーザーの両方にとってよりアクセスしやすくなります。この形式は、新しい機能を含めたり、新しいタイプの触覚印刷デバイス をサポートしたりするように拡張することもでき、テクノロジーの進化に合わせて関連性を維持できます。
ISO による ISOBRL 形式の標準化は、触覚グラフィックのアクセシビリティにとって大きな前進です。作成者、配布者、ユーザーが依存できる共通のフレームワークを提供し、触覚グラフィックの一貫性と信頼性を確保するのに役立ちます。ISO 標準は、ベストプラクティスの共有や、さまざまな国の人々が使用できる触覚グラフィックのライブラリなどの共有リソースの開発を促進するため、国際的なコラボレーションも促進します。
多くの利点があるにもかかわらず、ISOBRL 形式には課題がないわけではありません。主な課題の 1 つは、ISOBRL ファイルを作成および印刷するための特殊なソフトウェアとハードウェアが必要なことです。これは、そのような機器に投資するリソースがない個人や小規模組織にとっては障壁となる可能性があります。さらに、効果的な触覚グラフィックを作成するには学習曲線があり、アクセシビリティの分野に不慣れなデザイナーにとっては課題となる可能性があります。
これらの課題に対処するために、ISOBRL ファイルを作成および印刷するためのより手頃な価格で使いやすいツールの開発が継続的に行われています。また、デザイナーがアクセス可能な触覚グラフィックを作成するために必要なスキルを学ぶのに役立つトレーニングプログラムやリソースも利用できます。アクセシビリティの重要性に対する認識が高まるにつれて、ISOBRL 形式がより広く採用され、世界中の視覚障害者が触覚グラフィックにアクセスしやすくなる可能性があります。
結論とし て、ISOBRL 画像形式はアクセシビリティの分野における重要な進歩を表しており、視覚障害者向けの触覚グラフィックを作成するための標準化された、スケーラブルでインタラクティブな方法を提供します。その設計は触覚知覚の固有のニーズを考慮しており、画像がアクセスできるだけでなく、ユーザーにとって意味があり、魅力的なものになるようにしています。テクノロジーが進化し続けるにつれて、ISOBRL 形式は適応し、視覚障害者コミュニティ内のコミュニケーションと教育のための重要なツールとして機能し続けることができます。
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。