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。
ポータブルドキュメントフォーマット（PDF）は、1993年にアドビシステムズによって開発された汎用性の高いファイル形式です。ア プリケーションソフトウェア、ハードウェア、オペレーティングシステムに依存しない方法で、テキストの書式設定や画像を含むドキュメントを提示するように設計されています。PDFは、テキスト、フォント、ベクターグラフィックス、ラスター画像、ドキュメントを意図したとおりに表示するために必要なその他の情報を幅広くカプセル化できます。この形式は、さまざまなプラットフォーム間でドキュメントを交換するための標準となり、ビジネス、教育、政府で広く使用されています。
PDFは、大きく2つのグループ、ベクター画像とラスター画像に分類できる、いくつかのタイプの画像をサポートしています。ベクター画像は、数学的方程式によって定義されたパスで構成されており、品質を損なうことなく拡大縮小できます。イラスト、ロゴ、テキストに最適です。一方、ラスター画像は固定されたピクセルグリッドで構成されており、写真やデジタルアートワークに使用されます。拡大縮小すると品質が低下する可能性があります。PDFには両方のタイプの画像を含めることができ、さまざまなアルゴリズムを使用してファイルを圧縮し、品質を大幅に損なうことなくファイルサイズを削減できます。
画像がPDFに埋め込まれると、通常はファイルサイズを小さくするために圧縮されます。PDFはこの目的のためにいくつかの圧縮アルゴリズムをサポートしています。ラスター画像の場合、JPEGなどのロス有圧縮方式は、品質の目に見える損失を最小限に抑えながらファイルサイズを大幅に削減できるため、写真によく使用されます。PNGやTIFFなどのロスレス圧縮方式は、画像の品質が最優先される場合に使用されます。ベクター画像の場合、圧縮は画像パスの効率的な数学的表現を使用して実現され、ZIPなどの圧縮アルゴリズムを使用してこれらの表現のサイズを小さくできます。
画像をPDFに埋め込むプロセスには、いくつかの手順が含まれます。まず、画像が特定の圧縮アルゴリズムを使用してエンコードされます。エンコードされた画像データは、画像の寸法、解像度、カラースペースに関する情報とともに、PDFファイル構造内に埋め込まれます。PDFには、ドキュメントの表示または印刷時に適用する必要がある拡大縮小、回転、トリミングなどの変換を含む、画像のレンダリング方法に関する情報も格納されます。
カラーマネジメントは、PDF画像の重要な側面です。PDFは、DeviceRGB、DeviceCMYK、DeviceGrayなどのさまざまなカラースペースと、さまざまなデバイス間でより正確な色再現を可能にするCalRGBやICCベースのカラースペースなどのより洗練されたカラースペースをサポートしています。画像がPDFに埋め込まれると、そのカラースペースが定義され、必要に応じてカラープロファイルが埋め込まれて、さまざまなデバイスで色が一貫して表示されるようにできます。
透明性は、PDF画像でサポートされているもう1つの機能です。これにより、画像にさまざまなレベルの不透明度を持たせることができ、複雑な視覚効果を作成するために使用できます。PDFの透明性は、透明なオブジェクトの色が背後にあるオブジェクトの色とどのようにブレンドされるかを決定する特別なブレンドモードを使用して処理されます。この機能は、画像を互いの上に重ねたり、画像に重なるテキストを組み込んだりする場合 に特に役立ちます。
PDFは、画像ファイル内にメタデータを含めることもサポートしています。このメタデータには、著者、著作権、作成日、キーワードなどの画像に関する情報を含めることができます。この情報は、ドキュメントの管理と検索に役立つだけでなく、著作権で保護された画像の使用に対して適切なクレジットが与えられるようにするためにも役立ちます。メタデータは、PDF内の標準化された形式で格納され、さまざまなソフトウェアアプリケーションから簡単にアクセスして読み取ることができます。
セキュリティはPDF形式の重要な機能であり、これはPDFドキュメント内の画像にも及びます。PDFは暗号化でき、パスワードを使用してアクセスを制御できます。つまり、PDFに埋め込まれた機密画像を不正アクセスから保護できます。さらに、PDFはデジタル署名をサポートしており、これを使用してドキュメントの真正性と完全性を検証できます。これには、ドキュメントに含まれる画像も含まれます。
PDF形式はアクセシビリティも考慮して設計されており、障害のある人がドキュメントを使用できるようにする機能をサポートしています。画像の場合、これには、スクリーンリーダーで読み取ることができる代替テキストの説明を含める機能が含まれます。これにより、画像によって伝えられる情報は、視覚障害のあるユーザーがアクセスできます。
印刷に関しては、PDFは自己完結型であるため、非常に信頼性があります。画像を含むドキュメントを正確に再現するために必要なすべての情報は、ファイル内に埋め込まれています。つまり、PDFは、使用されているデバイスやソフトウ ェアに関係なく、どのプリンターでも同じように印刷されます。これは、パンフレットや雑誌など、正確なレイアウトと高品質の画像を必要とするドキュメントにとって特に重要です。
PDFファイルはインタラクティブにすることができ、これは画像にも及びます。PDF内の画像はハイパーリンクにすることができ、画像をクリックすると、ドキュメントの別の部分や外部Webサイトに移動できます。さらに、PDFには、画像に関連付けることができるフォームフィールド、注釈、その他のインタラクティブ要素を含めることができ、ユーザーエクスペリエンスとドキュメントの機能を向上させます。
画像の埋め込みや編集を含むPDFの作成と操作は、さまざまなソフトウェアツールを使用して行うことができます。Adobe Acrobatは最もよく知られているPDFエディターですが、無料のオープンソースオプションを含む、他にも多くのツールがあります。これらのツールを使用すると、ユーザーは画像をPDFに挿入し、サイズ変更してトリミングし、プロパティを調整し、その他の編集タスクを実行できます。高度なPDF編集ソフトウェアは、画像に対して光学式文字認識（OCR）を実行し、画像内のテキストを検索可能な編集可能なテキストに変換することもできます。
ファイル構造の点では、PDFドキュメントはドキュメントの内容を定義するオブジェクトで構成されています。これらのオブジェクトは、ドキュメントの「オブジェクトツリー」と呼ばれる階層構造に編成されています。画像は、「画像オブジェクト」としてこの構造内に埋め込まれます。各画像オブジェクトには、圧縮された画像データのストリームと、 画像の種類、幅、高さ、カラースペース、圧縮に適用されたフィルターなどの画像のプロパティを定義するディクショナリが含まれています。
PDF仕様は時間の経過とともに進化し、現在は国際標準化機構（ISO）によってISO 32000として維持されています。この標準化により、PDFはオープンフォーマットのままになり、さまざまなソフトウェアやプラットフォームを使用して作成されたドキュメントを確実に交換して表示できるようになります。この仕様には、画像をPDFファイル内にどのようにフォーマットして埋め込むべきかについての詳細情報が含まれており、PDFドキュメントを作成および読み取ることができる幅広いソフトウェア間の一貫性が確保されています。
結論として、PDF画像形式は、PDF標準の複雑で機能豊富なコンポーネントです。幅広い画像タイプと圧縮アルゴリズム、洗練されたカラーマネジメント、透明性、メタデータをサポートしています。PDFは、堅牢なセキュリティ機能、アクセシビリティオプション、信頼性の高い印刷機能を提供します。PDF画像のインタラクティブ機能はユーザーエクスペリエンスを向上させ、PDFファイルの標準化された構造は、さまざまなプラットフォームやデバイス間での互換性を確保します。その結果、PDFはドキュメント交換で最も広く使用されている形式の1つであり、デジタルドキュメントを扱う人にとって、画像に関するその機能を理解することは不可欠です。
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。