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。
JNG（JPEGネットワークグラフィックス）形式は、広く知られているMNG（マルチイメージネットワークグラフィックス）形式のサブ形式として設計された画像ファイル形式です。主に、作成当時JPEGやPNGなどの他の一般的な形式では不可能だった、単一の画像形式内でロスレスおよびロスレス圧縮のソリューションを提供するために開発されました。JNGファイルは通常、標準のJPEG画像ではサポートされていない、高品質の写真スタイルの表現と透明性のためのオプションのアルファチャンネルの両方を必要とする画像に使用されます。
JNGはスタンドアロン形式ではなく、PNGのアニメーションバージョンになるように設計されたMNGファイル形式スイートの一部です。MNGスイートにはMNGとJNGの両方の形式が含まれ、MNGはアニメーションをサポートし、JNGは単一画像形式です。JNG形式はPNG形式を開発したのと同じチームによって作成され、PNGを補完するためにJPEG圧縮カラーデータを追加し、PNGがサポートするがJPEGがサポートしない別個のアルファチャンネルの可能性を維持することを目的としていました。
JNGファイルの構造はMNGファイルの構造に似ていますが、単一の画像のみを対象としているためよりシンプルです。JNGファイルは一連のチャンクで構成され、それぞれに特定の種類のデータが含まれています。JNGファイルで最も重要なチャンクは、ヘッダー情報を含むJHDRチャンク、JPEG圧縮画像データを含むJDATチャンク、JPEGデータストリームの終了を示すために存在する可能性があるJSEPチャンク、およびオプションでPNG圧縮アルファデータを含むIDATチャンクまたはJPEG圧縮アルファデータを含むJDAAチャンクであるアルファチャンネルチャンクです。
JHDRチャンクはJNGファイルの最初のチャンクであり、画像のプロパティを定義するため重要です。画像の幅と高さ、色深度、アルファチャンネルが存在するかどうか、使用されるカラースペース、アルファチャンネルの圧縮方法などの情報が含まれます。このチャンクにより、デコーダーはファイル内の後続のデータを処理する方法を理解できます。
JDATチャンクには、JPEG標準圧縮技術を使用して圧縮された実際の画像データが含まれています。この圧縮により、複雑なカラーグラデーションや微妙な色調の変化を頻繁に含む写真画像を効率的に保存できます。JNG内のJPEG圧縮は、スタンドアロンJPEGファイルで使用されるものと同じであり、標準のJPEGデコーダーがJNG形式全体を理解する必要なくJNGファイルから画像データを読み取ることができます。
JNG画像にアルファチャンネルが存在する場合、IDATチャンクまたはJDAAチャンクに格納されます。IDATチャンクはPNGファイルで使用されるものと 同じであり、PNG圧縮アルファデータを含みます。これにより、アルファチャンネルのロスレス圧縮が可能になり、透明性の情報が品質を損なうことなく保持されます。一方、JDAAチャンクにはJPEG圧縮アルファデータが含まれており、アルファチャンネルに潜在的なロスレス圧縮アーティファクトを犠牲にして、より小さなファイルサイズを実現できます。
JSEPチャンクは、JPEGデータストリームの終了を知らせるオプションのチャンクです。JNGファイルがネットワーク経由でストリーミングされ、デコーダーがJPEGデータの読み取りを停止してアルファチャンネルデータの検索を開始する必要がある場合に役立ちます。ファイルがJPEGデータの終了がファイル構造自体から決定できるローカルストレージメディアから読み取られる場合は、このチャンクは必要ありません。
JNGは、埋め込まれたICCカラープロファイルを含むICCPチャンクを含めることで、色補正もサポートしています。このプロファイルにより、さまざまなデバイス間で正確な色表現が可能になり、さまざまな画面で表示または印刷される画像にとって特に重要です。カラーマネジメント機能の組み込みは、埋め込みカラープロファイルを本質的にサポートしていないスタンドアロンJPEGファイルに対するJNG形式の大きな利点です。
その機能にもかかわらず、JNG形式は広く採用されていません。これは、写真画像用のJPEG形式と透明性が必要な画像用のPNG形式の優位性によるものです。さらに、ロスレスおよびロスレス圧縮と透明性をサポートするWebPやHEIFなどの形式の台頭により、JNGのような別の形式の必要性がさらに低下しました。ただし、JNGは、その独自の機能の組み合わせが必要な特定のユースケースでは依然として実行可能なオプションです。
JNGが広く採用されていない理由の1つは、MNGファイル形式スイートの複雑さです。JNG自体は比較的単純ですが、広く実装されていないより大規模で複雑な仕様セットの一部です。多くのソフトウェア開発者は、MNGとJNGの追加の複雑さなしでほとんどのユーザーのニーズを満たす、よりシンプルで一般的なJPEGおよびPNG形式をサポートすることを選択しました。
JNGの採用を制限しているもう1つの要因は、一般的な画像編集および表示ソフトウェアでのサポートの欠如です。一部の特殊なソフトウェアはJNGをサポートしていますが、最も一般的に使用されているプログラムの多くはサポートしていません。このサポートの欠如により、ユーザーと開発者がJNGファイルに出くわしたり使用したりする可能性が低くなり、市場での存在感がさらに低下します。
これらの課題にもかかわらず、JNGには、その技術的な能力を高く評価する人々、特に支持者がいます。たとえば、JNGは、単一のファイルに高品質の写真画像と透明性のための別のアルファチャンネルの両方を格納する必要があるアプリケーションで役立ちます。これは、グラフィックデザイン、ゲーム開発、および画像をさまざまな背景に対して合成する必要がある他の分野で重要になる可能性があります。
JNGの技術設計により、ファイルサイズと品質の潜在的な最適化も可能になります。たとえば、カラーデータとアルファデータを分離することで、それぞれに異なるレベルの圧縮を適用し、ファイルサイズと画質の最適なバランスを最適化で きます。これにより、PNGなどの形式の場合のように、単一の圧縮方法が画像全体に適用された場合よりも小さなファイルが生成される可能性があります。
結論として、JNG画像形式は、ロスレスおよびロスレス圧縮のサポート、透明性のためのオプションのアルファチャンネル、カラーマネジメント機能など、独自の機能の組み合わせを提供する特殊なファイル形式です。広く採用されていませんが、特定のアプリケーションに適した技術的に有能な形式のままです。その将来の関連性は、その機能に対する関心が再び高まり、その形式に対するソフトウェアサポートが拡大するかどうかによって決まる可能性があります。現時点では、JNGは画像形式の継続的な進化と、圧縮、品質、機能性の完璧なバランスの追求の証として存在しています。
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。