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。
Photo CD（PCD）画像フォーマットは、1990年代初頭にイーストマン・コダックによって開発されたデジタル画像フォーマットの一種です。PCDフォーマットの主な目的は、ユーザーが高解像度のデジタル写真をCDに保存できるようにすることで、その後、専用のPhoto CDプレーヤーを使用してコンピューターやテレビで表示できるようになりました。PCDフォーマットは、従来のフィルム写真と新興のデジタル写真市場のギャップを埋めるというコダックの幅広い戦略の一部でした。写真家や消費者に、フィルム画像を忠実にデジタル化してアーカイブするための便利な方法を提供するように設計されました。
PCDフォーマットの重要な機能の1つは、マルチスケール解像度構造を使用していることです。これにより、1つのPCDファイルに同じ画像の複数の解像度を含めることができます。この構造は、PhotoYCCとして知られるコダックによって開発された独自の画像圧縮技術に基づいています。PhotoYCCカラースペースは、ビデオ圧縮で使用されるYCbCrカラースペースに似ており、Yは輝度成分を表し、CbとCrは色度成分を表します。このカラースペースは、明るさ情報を色情報から分離するため、人間の視覚システムが画像を処理する方法とよく一致するため、写真画像に特に適しています。
PCDファイルのマルチスケール解像度構造には、192x128ピクセルの基本/プレビュー解像度から3072x2048ピクセルの最大解像度までの5つの異なる解像度レベルが含まれます。これらの解像度は、Base/16、Base/4、Base、4Base、16Baseと呼ばれ、Base解像度は768x512ピクセルです。これにより、サムネイルプレビューから高品質のプリントまで、さまざまな用途に使用できます。異なる解像度は階層形式で格納され、ソフトウェアとハードウェアが画像ファイル全体を処理することなく、特定のタスクに適した解像度レ ベルにすばやくアクセスできます。
PCDファイルは通常、コダックPhoto CDシステムを使用して作成されます。これには、高解像度スキャナーを使用してフィルムネガまたはスライドをスキャンし、デジタル画像をPCDフォーマットでCDに書き込むことが含まれます。スキャンプロセスは、正確な色の再現を確保し、フィルムの完全なダイナミックレンジをキャプチャするように注意深く較正されています。生成されたPCDファイルは、フィルム画像のデジタルアーカイブであり、高品質のプリントを作成し、さまざまなデバイスで簡単に共有して表示できます。
PCDフォーマットには、画像とスキャンプロセスに関する情報を格納する多数のメタデータフィールドも組み込まれています。このメタデータには、画像がキャプチャされた日時、使用されたフィルムの種類、スキャナーの設定、およびその他の関連する詳細が含まれる場合があります。この情報は、アーカイブ目的だけでなく、画像の技術的側面を追跡したい写真家にとっても貴重です。
高度な機能と提供される高画質にもかかわらず、PCDフォーマットは普及を制限するいくつかの課題に直面しました。主な課題の1つは、フォーマットの独自性でした。つまり、コダック独自のソフトウェアとハードウェアでのみ完全に利用できました。サードパーティのソフトウェアやデバイスとのこの限られた互換性は、すでに他の画像フォーマットや編集ソフトウェアを使用していた消費者や専門家にとって魅力が低くなりました。
PCDフォーマットのもう1つの課題は、デジタルカメラ技術の急速な進化と、手頃な価格のデジタルカメラの普及でした。デジ タルカメラがより高性能になり、より高い解像度を提供するにつれて、フィルム画像をスキャンする必要性は多くのユーザーにとってそれほど重要ではなくなりました。さらに、JPEGやTIFFなどの他のデジタル画像フォーマットの出現は、よりオープンで広くサポートされており、ユーザーにデジタル画像の保存と共有のためのより柔軟でアクセスしやすいオプションを提供しました。
これらの課題にもかかわらず、PCDフォーマットは、高画質とフィルムを高い忠実度でデジタル化する機能を高く評価した一部のプロの写真家や愛好家によって使用されました。しばらくの間、フィルムスキャンとアーカイブサービスを提供していた写真ラボやサービスプロバイダーでも使用されていました。しかし、デジタル写真市場が成長し続けるにつれて、PCDフォーマットの使用は徐々に減少しました。
技術的な観点から見ると、PCDフォーマットは前述のPhotoYCCカラースペースとマルチスケール解像度構造を使用していることで注目に値します。このフォーマットは、ロスのある圧縮アルゴリズムを使用して、高レベルの画質を維持しながらファイルサイズを削減します。圧縮は、人間の視覚システムの特性を利用して適用され、人間の目にあまり目立たない色度詳細よりも輝度詳細の保持を重視します。
PCDファイル構造は、ヘッダー、各解像度レベルの画像ディレクトリ、画像データ自体など、いくつかの異なるセクションで構成されています。ヘッダーには、ファイルフォーマットのバージョンとCDに格納されている画像の数に関する情報が含まれています。各画像ディレクトリには、画像に関するメタデータと 、ファイル内のその解像度レベルの画像データの場所へのポインターが含まれています。
PCDファイル内の画像データは、画像をタイルと呼ばれる小さな長方形のセクションに分割したタイル形式で格納されます。各タイルは独立して圧縮されるため、より効率的なデータアクセスと操作が可能になります。このタイルシステムは、異なる解像度レベルの階層的な格納も容易にします。これは、低解像度の画像は、高解像度レベルからタイルを結合してダウンサンプリングすることで構築できるためです。
PCDファイルを表示または編集するには、通常、PCDフォーマットを読み取り、そのマルチスケール解像度構造を処理できる特殊なソフトウェアが必要です。コダックはこの目的のために独自のソフトウェアを提供していましたが、PCDファイルをさまざまな程度でサポートするサードパーティのソフトウェアソリューションもありました。一部の最新の画像編集ソフトウェアにはまだPCDフォーマットのサポートが含まれていますが、JPEGやTIFFなどのより広く使用されているフォーマットのサポートほど一般的ではありません。
ファイルサイズに関して、PCDファイルは、特に最高解像度レベルでは非常に大きくなる可能性があります。これは、このフォーマットは元のフィルム画像の品質を維持するように設計されており、大量のデータが必要になるためです。ただし、PCDファイルで使用される圧縮アルゴリズムは、ファイルサイズをある程度軽減し、画像の保存と転送をより管理しやすくします。
PCDフォーマットには、「Photo CD Portfolio」と呼ばれる機能のサポートも含まれています。これにより、ユ ーザーはCD上の画像を構造化された方法で整理して管理できます。この機能には、アルバムの作成、画像の分類、各画像への説明テキストの追加が含まれます。Portfolio機能は、ユーザーがデジタル写真コレクションを簡単にナビゲートして楽しむことを目的としていました。
結論として、PCD画像フォーマットは、アナログ写真からデジタル写真への移行期にフィルム写真をデジタル化してアーカイブするための革新的なソリューションでした。そのマルチスケール解像度構造、PhotoYCCカラースペースの使用、高画質により、フィルム画像の高忠実度デジタルコピーを必要とする専門家や愛好家にとって貴重なツールとなりました。しかし、フォーマットの独自性、デジタルカメラ技術の急速な進歩、より柔軟なデジタル画像フォーマットの台頭により、最終的にはPCDフォーマットの衰退につながりました。今日、それはデジタル写真の歴史の一部であり続けており、その技術的側面はデジタル画像の保存と圧縮の進化を研究する人々にとって依然として興味深いものです。
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。