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。
JPEG 2000 コードストリームとしても知られる J2C 画像フォーマットは、JPEG 2000 標準スイートの一部です。JPEG 2000 自体は、元の JPEG 標準に取って 代わることを意図して、Joint Photographic Experts Group 委員会によって作成された画像圧縮標準および符号化システムです。JPEG 2000 標準は、JPEG に対して高い柔軟性と向上したパフォーマンスを備えた新しい画像符号化システムを提供することを目標に確立されました。低ビットレートでのパフォーマンスの悪さやスケーラビリティの欠如など、JPEG フォーマットのいくつかの制限に対処するように設計されました。
JPEG 2000 は、元の JPEG 標準で使用されている離散コサイン変換 (DCT) ではなく、ウェーブレット変換を使用します。ウェーブレット変換は、より高いレベルのスケーラビリティと可逆圧縮を実行する機能を可能にします。つまり、元の画像を圧縮データから完全に再構築できます。これは、圧縮プロセス中に画像情報を永久に失う元の JPEG の非可逆圧縮に比べて大きな利点です。
J2C ファイルフォーマットは、JPEG 2000 のコードストリームを具体的に指します。このコードストリームは実際の符号化された画像データであり、JP2 (JPEG 2000 パート 1 ファイルフォーマット)、JPX (JPEG 2000 パート 2、拡張ファイルフォーマット)、MJ2 (ビデオ用の Motion JPEG 2000 ファイルフォーマット) などのさまざまなコンテナフォーマットに埋め込むことができます。J2C フォーマットは、コンテナフォーマットによって提供される可能性のある追加のメタデータや構造を持たない、本質的に生の符号化された画像データです。
J2C フォーマットの重要な機能の 1 つは、同じファイル内で可逆圧縮と非可逆圧縮の両方をサポートしていることです。これは、可逆圧縮には可逆ウェーブレット変換を使用し、非可逆圧縮には非可逆 ウェーブレット変換を使用することで実現されます。可逆圧縮と非可逆圧縮の選択は、画像内のタイル単位で行うことができ、コンテンツの重要性に応じて高品質と低品質の領域を混在させることができます。
J2C フォーマットはまた、非常にスケーラブルで、「プログレッシブデコード」として知られる機能をサポートしています。つまり、低解像度のバージョンの画像を最初にデコードして表示し、その後、より多くの画像データが受信または処理されるにつれて、より高い解像度のレイヤーが順次表示されます。これは、帯域幅が限られているネットワークアプリケーションに特に役立ちます。フルの、高解像度の画像がまだダウンロードされている間、画像をすばやくプレビューできます。
J2C フォーマットのもう 1 つの重要な側面は、関心領域 (ROI) をサポートしていることです。ROI コーディングを使用すると、画像の特定の部分を画像の他の部分よりも高い品質で符号化できます。これは、画像の特定の領域がより重要で、肖像画の顔やドキュメントのテキストなど、より高い忠実度で保存する必要がある場合に役立ちます。
J2C フォーマットには、洗練されたエラー耐性機能も含まれており、送信中のデータ損失に対してより堅牢になります。これは、エラー訂正コードを使用し、失われたパケットを回復できるようにコードストリームを構成することで実現されます。これにより、J2C は信頼できないネットワークを介して画像を送信したり、潜在的なデータ破損の影響を最小限に抑える方法で画像を格納したりするのに適しています。
J2C のカラースペース処理も、元の JPEG よりも高度です。このフォーマットは、グレースケール、RGB、YCbCr など、幅広いカラースペースをサポートしています。また、同じ画像の異なるタイル内で異なるカラースペースを使用することもでき、画像の符号化と表現方法に柔軟性を持たせます。
J2C フォーマットの圧縮効率は、もう 1 つの強みです。ウェーブレット変換と算術符号化などの高度なエントロピー符号化手法を使用することで、J2C は元の JPEG よりも高い圧縮率を実現できます。特に低ビットレートで。これにより、モバイルデバイスや Web アプリケーションなど、ストレージスペースや帯域幅が重要なアプリケーションに魅力的なオプションになります。
多くの利点にもかかわらず、J2C フォーマットは元の JPEG フォーマットと比較して広く採用されていません。これは、JPEG 2000 標準の複雑さが増しているためで、画像の符号化とデコードにはより多くの計算リソースが必要です。さらに、元の JPEG フォーマットは多くのシステムに深く組み込まれており、ソフトウェアとハードウェアのサポートのエコシステムが非常に充実しているため、新しい標準が足場を固めることは困難です。
ただし、特定の専門分野では、J2C フォーマットがその特定の機能のために優先的な選択肢となっています。たとえば、医療画像では、可逆圧縮を実行する機能と、高ダイナミックレンジおよび高ビット深度画像のサポートにより、J2C は理想的なフォーマットになります。同様に、デジタルシネマやビデオアーカイブでは、高圧縮率でのフォーマットの高品質とスケーラビリティ機能が非常に高く評価されています。
J2C 画像の符号化プロセスには、いくつ かの手順が含まれます。まず、画像はタイルに分割され、独立して処理できます。このタイル処理により、並列処理が可能になり、符号化およびデコードプロセスの効率が向上します。次に、可逆圧縮または非可逆圧縮のどちらが必要かに応じて、各タイルは可逆ウェーブレット変換または非可逆ウェーブレット変換を使用して変換されます。
ウェーブレット変換後、係数は量子化されます。これには、ウェーブレット係数の精度を下げることが含まれます。可逆圧縮では、量子化は誤差を導入するため、この手順はスキップされます。量子化された係数は、算術符号化を使用してエントロピー符号化され、画像コンテンツの統計的特性を利用してデータのサイズを削減します。
符号化プロセスの最後のステップは、コードストリームのアセンブリです。各タイルのエントロピー符号化データは、画像とその符号化方法を記述するヘッダー情報と組み合わされます。これには、画像のサイズ、タイルの数、使用されたウェーブレット変換、量子化パラメーター、およびその他の関連データに関する情報が含まれます。生成されたコードストリームは、J2C ファイルに格納するか、コンテナフォーマットに埋め込むことができます。
J2C 画像のデコードは、本質的に符号化プロセスを逆にすることを伴います。コードストリームは、ヘッダー情報と各タイルのエントロピー符号化データを抽出するために解析されます。次に、エントロピー符号化データがデコードされて、量子化されたウェーブレット係数が復元されます。画像が非可逆圧縮を使用して圧縮された場合、係数は量子化解除されて元の値に近似されます。逆ウェーブレット変換がウェーブレット係数から画像を再構築するために適用され、タイルが一緒に縫い合わされて最終的な画像が形成されます。
結論として、J2C 画像フォーマットは、より優れた圧縮効率、スケーラビリティ、可逆圧縮を実行する機能など、元の JPEG フォーマットに対していくつかの利点を提供する、強力で柔軟な画像符号化システムです。JPEG と同じレベルの普遍性を達成していませんが、高品質の画像を必要とするアプリケーションや特定の技術的要件を持つアプリケーションに適しています。テクノロジーが進化し続け、より洗練された画像符号化システムの必要性が高まるにつれて、J2C フォーマットはさまざまな分野で採用が増える可能性があります。
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。