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。
PNG（ポータブルネットワークグラフィックス）形式は、ロスレス圧縮で高品質の画像を提供する機能により、デジタル世界で主 流の地位を確立しています。そのバリエーションの中で、PNG8は色の効率性とファイルサイズの削減を独自にブレンドしていることで際立っています。このPNG8の詳細な調査では、この画像形式のレイヤーを解き明かし、その構造、機能、および実際的なアプリケーションを探ります。
PNG8は本質的に、PNG形式のビット深度バリアントであり、そのカラーパレットを256色に制限しています。この制限は、PNG8が元の画像の品質を維持しながらもファイルサイズを大幅に削減できる能力の鍵です。PNG8の「8」はピクセルあたり8ビットを表し、画像内の各ピクセルがカラーパレット内の256色のいずれかになることを意味します。このパレットは画像ファイル自体内で定義され、特定の画像に合わせてカスタマイズされた一連の色を使用でき、形式の効率が向上します。
PNG8ファイルの構造は、PNGファイルシグネチャとチャンクベースのアーキテクチャに従う他のPNG形式と似ています。PNGファイルは通常、8バイトのシグネチャで始まり、その後、さまざまなタイプのデータ（ヘッダー情報、パレット情報、画像データ、メタデータなど）を含む一連のチャンクが続きます。PNG8では、PLTE（パレット）チャンクが重要な役割を果たします。これは、画像のピクセルが参照するカラーパレットを格納するためです。このパレットには、RGB（赤、緑、青）値で定義された最大256色が含まれています。
PNG8の圧縮では、フィルタリングとDEFLATEアルゴリズムの組み合わせが使用されます。フィルタリングは、画像データを圧縮用に準備するために使用される方法であり、圧縮アルゴリズムが情報を失うことなくファイルサイズを 削減しやすくします。フィルタリング後、LZ77とハフマン符号化技術を組み合わせたDEFLATEアルゴリズムが適用され、画像データを効率的に圧縮します。この2段階のプロセスにより、PNG8画像は高いレベルの圧縮を実現でき、帯域幅と読み込み時間が考慮されるWebでの使用に理想的です。
PNG8の透明度は、tRNS（透明度）チャンクを使用して処理されます。このチャンクは、パレット内の単一の色を完全に透明にするか、パレットの色に対応する一連のアルファ値を指定して、さまざまな透明度を実現できます。この機能により、PNG8は簡単な透明効果を実現でき、透明な背景やソフトオーバーレイが必要なWebグラフィックスに適しています。ただし、PNG8の透明度は、各ピクセルに完全なアルファ透明度をサポートするPNG32と同じレベルの詳細を実現できないことに注意してください。
PNG8画像の作成と最適化には、色の忠実度とファイルサイズのバランスが求められます。PNG8画像を生成するツールとソフトウェアには、通常、色の量子化とディザリングのアルゴリズムが含まれています。色の量子化は、256色の制限内に収まるように色の数を減らし、理想的には画像の視覚的完全性を維持します。ディザリングは、ピクセルレベルで色をブレンドすることで色の削減の視覚的影響を最小限に抑え、より大きなカラーパレットの錯覚を作成します。これらの技術は、視覚的に魅力的で効率的に圧縮されたPNG8画像を生成するために不可欠です。
その利点にもかかわらず、PNG8には特定のアプリケーションには適さない制限があります。制限されたカラーパレットは、グラデーションのバンディングや複雑な画像の詳細の損失につながる可能性があります。さらに、単純な透明度メカニズムは、完全なアルファ透明度をサポートする形式ほど、ソフトシャドウや半透明オブジェクトを含むシーンを効果的に処理できません。したがって、PNG8は限られた色の範囲を持つシンプルなグラフィックス、アイコン、ロゴには優れていますが、写真や複雑なテクスチャには最適な選択肢ではない可能性があります。
Web開発とデジタルメディア制作におけるPNG8の採用は、特定のコンテキストにおけるその互換性、効率性、ユーティリティによって推進されてきました。すべての最新のWebブラウザと画像処理ソフトウェアでサポートされているため、Web資産を最適化しようとするWebデザイナーにとって信頼できる選択肢です。コンテンツの視覚的複雑さが低く、帯域幅の使用を最小限に抑える必要があるアプリケーションでは、PNG8は最適なバランスを提供します。さらに、その透明度サポートは汎用性を追加し、読み込み時間を大幅に増加させることなく、Webサイトでの創造的なレイヤー化とテーマ化を可能にします。
要約すると、PNG8はデジタル画像エコシステム内で関連性が高く価値のある画像形式であり続け、特に効率的なストレージと伝送を必要とするWebグラフィックスとデジタルメディアに適しています。その設計により、色の種類とファイルサイズの効率性のトレードオフが可能になり、特定のニーズを持つさまざまなアプリケーションに適しています。制限がないわけではありませんが、PNG8の画像形式のスペクトルにおける位置は、シンプルさ、圧縮、幅広い互換性という点での独自の利点によって確保されています。PNG8のこれらの側面を理解することは、プロジェクトの技術的および美的な要件を満たすために画像形式の選択について情報に基づいた意思決定を行うことを目指すデザイナー、開発者、デジタルメディアの専門家にとって不可欠です。
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。