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 XL（JXL）画像フォーマットは、JPEG、PNG、GIF などの既存のフォーマットの機能を超えることを目指した次世代画像符号化規格です。優れた圧縮効率、品質、 機能を提供します。これは、画像圧縮規格の開発に貢献してきた Joint Photographic Experts Group（JPEG）委員会による共同作業の結果です。JPEG XL は、プロフェッショナルな写真から Web グラフィックスまで、幅広いユースケースに対応できるユニバーサル画像フォーマットとして設計されています。
JPEG XL の主な目標の 1 つは、視覚品質を損なうことなくファイルサイズを大幅に削減できる高品質の画像圧縮を提供することです。これは、高度な圧縮技術と最新の符号化フレームワークを組み合わせることで実現されています。このフォーマットはモジュール方式を採用しており、カラースペース変換、トーンマッピング、レスポンシブなリサイズなどのさまざまな画像処理操作を圧縮パイプラインに直接組み込むことができます。
JPEG XL は、Google の PIK と Cloudinary の FUIF（Free Universal Image Format）という 2 つの以前の画像コーデックを基盤として構築されています。これらのコーデックは画像圧縮にいくつかの革新をもたらし、JPEG XL にさらに洗練されて統合されています。このフォーマットはロイヤリティフリーに設計されており、画像の保存と配信に費用効果の高いソリューションを必要とするソフトウェア開発者とコンテンツ制作者の両方にとって魅力的なオプションとなっています。
JPEG XL の圧縮効率の中心にあるのは、非対称数値システム（ANS）と呼ばれる最新のエントロピー符号化技術の使用です。ANS は、画像データの統計的分布を効率的に符号化することで、ほぼ最適な圧縮率を提供する算術符号化の一種です。これにより、JPEG XL は、元の JPEG フォーマットで使用されているハフマン符号化など の従来の方法よりも優れた圧縮を実現できます。
JPEG XL は、人間の視覚認識にさらに適合するように設計された XYB（eXtra Y、Blue-yellow）と呼ばれる新しいカラースペースも導入しています。XYB カラースペースは、人間の目に重要な画像のコンポーネントを優先することで、より効率的な圧縮を可能にします。これにより、ファイルサイズが小さくなるだけでなく、特に微妙な色の変化がある領域で圧縮アーティファクトが少なくなります。
JPEG XL のもう 1 つの重要な機能は、ハイダイナミックレンジ（HDR）とワイドカラージェム（WCG）画像のサポートです。ディスプレイ技術が進化するにつれて、これらの新しいディスプレイが生成できる拡張された明るさと色の範囲を処理できる画像フォーマットの需要が高まっています。JPEG XL の HDR と WCG のネイティブサポートにより、追加のメタデータやサイドカーファイルを使用せずに、最新の画面で画像が鮮やかでリアルに表示されます。
JPEG XL は、プログレッシブデコードも考慮して設計されています。つまり、画像はまだダウンロードされている間は低品質で表示できますが、より多くのデータが利用可能になると品質は徐々に向上します。この機能は、ユーザーのインターネット速度が異なる場合に特に役立ちます。ファイル全体がダウンロードされるのを待たずに画像のプレビューを提供することで、ユーザーエクスペリエンスが向上します。
下位互換性の点では、JPEG XL は「JPEG 再圧縮」と呼ばれる独自の機能を提供します。これにより、既存の JPEG 画像を品質を損なうことなく JPEG XL フォーマットに再圧縮できます。再圧縮された画像はサイズ が小さくなるだけでなく、元の JPEG データをすべて保持するため、必要に応じて元の JPEG フォーマットに戻すことができます。これにより、JPEG XL は、元のファイルに戻す機能を維持しながらストレージ要件を大幅に削減できるため、大量の JPEG 画像をアーカイブするための魅力的なオプションになります。
JPEG XL は、Web 上のレスポンシブ画像のニーズにも対応しています。1 つのファイル内に画像の複数の解像度を格納する機能により、Web 開発者はユーザーのデバイスと画面解像度に基づいて最も適切な画像サイズを提供できます。これにより、異なる解像度用の個別の画像ファイルの必要性がなくなり、レスポンシブ Web デザインを作成するプロセスが簡素化されます。
プロのフォトグラファーやグラフィックデザイナー向けに、JPEG XL はロスレス圧縮をサポートしており、元の画像データのすべてのビットが保持されます。これは、医療画像、デジタルアーカイブ、プロフェッショナルな写真編集など、画像の完全性が最優先されるアプリケーションに不可欠です。JPEG XL のロスレスモードも非常に効率的で、PNG や TIFF などの他のロスレスフォーマットと比較してファイルサイズが小さくなることがよくあります。
JPEG XL の機能セットは、GIF や WebP フォーマットと同様にアニメーションのサポートにまで及びますが、圧縮と品質が大幅に向上しています。これにより、Web 上の GIF の適切な代替となり、より広いカラパレットでよりスムーズなアニメーションを提供し、GIF の 256 色の制限はありません。
このフォーマットには、EXIF、XMP、ICC プロファイルなどのメタデータの堅牢なサポートも含 まれており、圧縮中に画像に関する重要な情報が保持されます。このメタデータには、カメラの設定、著作権情報、カラーマネジメントデータなどの詳細を含めることができ、プロフェッショナルな使用とデジタル遺産の保存の両方に不可欠です。
セキュリティとプライバシーも JPEG XL の設計で考慮されています。このフォーマットは実行可能コードを含めることを許可しないため、画像を介して悪用される可能性のあるセキュリティの脆弱性のリスクが軽減されます。さらに、JPEG XL は機密メタデータの削除をサポートしており、オンラインで画像を共有するときのユーザーのプライバシーを保護するのに役立ちます。
JPEG XL は、新しい機能やテクノロジーが導入されたときにサポートを拡張できる柔軟なコンテナーフォーマットを備えており、将来に対応するように設計されています。これにより、このフォーマットは変化する要件に適応し、今後何年にもわたってユニバーサル画像フォーマットとして機能し続けることができます。
採用に関しては、JPEG XL はまだ初期段階であり、Web ブラウザ、オペレーティングシステム、画像編集ソフトウェアへのサポートを統合するための取り組みが継続されています。より多くのプラットフォームがこのフォーマットを採用するにつれて、効率、品質、機能の向上を組み合わせた、古い画像フォーマットの代替として注目を集めることが期待されています。
結論として、JPEG XL は画像圧縮技術における大きな進歩を表しています。高い圧縮効率、最新の画像機能のサポート、下位互換性の組み合わせにより、画像の保存と送信の新しい標準となる強力な 候補となっています。このフォーマットが広く採用されるにつれて、デジタル画像の作成、共有、消費の方法を変革し、誰もがよりアクセスしやすく、楽しめるものにす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。