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。
ポータブルピックスマップ（PPM）形式は、Netpbmプロジェクトの一部として登場した、最もシンプルでありながら強力なラスターグラフィックス形式です。PPM形式は、その設計において本質的に単純で、人間と機械の両方が読み書きできる非常にアクセスしやすい方法でカラー画像を表す手段を提供します。白黒画像用のポータブルビットマップ（PBM）とグレースケール画像用のポータブルグレイマップ（PGM）とともに、Netpbm形式の傘下に分類されます。これらの形式はそれぞれ、さまざまな色の深さと複雑さを持つ画像をカプセル化するように設計されており、PPMは色の表現の点で最も洗練されています。
PPM形式は、ピクセルの色情報を単純な方法で指定する、単純なASCIIテキストファイル（ただし、バイナリ表現も一般的です）の観点から画像を定義します。ファイルがASCII（P3）形式かバイナリ（P6）形式かを示す「マジックナンバー」で始まり、空白、画像の寸法（幅と高さ）、最大色値、実際のピクセルデータが続きます。PPMファイルのピクセルデータは、各コンポーネントが0から指定された最大値（通常は255）の範囲のRGBカラー値で構成されており、ピクセルあたり1,600万を超える可能な色の組み合わせが可能です。
PPM形式の主な利点の1つは、その単純さです。PPMファイルの構造は非常に単純なので、ASCIIモードの場合は基本的なテキスト編集ツールで簡単に生成または変更できます。この単純さは処理にも及びます。JPEGやPNGなどのより複雑な形式と比較して、PPM画像を解析または生成するソフトウェアを書くには、最小限の労力しか必要ありません。このアクセシビリティにより、PPMは学術的な設定や趣味の中で基本的なイメージングタスクに好まれる選択肢となり、画像処理やコンピュータグラフィックスプログラミングについて学ぶ人々の踏み台となっています。
その利点にもかかわらず、PPM形式にはその単純さから生じる顕著な制限があります。最も重要なのは、圧縮メカニズムがないことで、JPEGやPNGなどのより洗練された形式のファイルよりも大幅に大きくなります。これにより、PPMはウェブの使用や、ストレージスペースと帯域幅が問題となるアプリケーションには適さなくなります。さらに、PPM形式は、透明性、レイヤー、メタデータ（カラープロファイルやEXIFデータなど）のいかなる形式もサポートしていないため、より複雑なグラフィックデザインや写真ワークフローでのユーティリティが制限される可能性があります。
PPMファイルを作成または表示するには、Netpbmパッケージで利用できるさまざまなツールを使用するか、この形式をサポートする他の多くのグラフィックソフトウェアツールを使用できます。ソフトウェア開発者と研究者は、その実装の容易さのためにPPM形式を高く評価しています。特にASCIIモードでは、PPMファイルの解析は、テキスト行を読み取り、形式の最小限の仕様に従って解釈する必要があるため、簡単です。PPM画像を出力するソフトウェアを書くことも同様に簡単であるため、グラフィックプログラミングコースの最初のプロジェクトや、迅速なプロトタイピングに最適な選択肢となります。
実際には、PPMファイルを使用するには、その構造を深く理解する必要があります。ファイルはマジックナンバー（ASCIIの場合は「P3」、バイナリの場合は「P6」）で始まり、その後に空白文字が続きます。マジックナンバーの後に、画像の寸法が、画像の幅と高さを表す2つの整数として提供されます。これらも空白で区切られます。寸法の後に、最大色値が指定され、各RGB値の範囲が決まります。ほとんどの場合、この値は255で、各色成分（赤、緑、青）が0から255の範囲になることを意味します。
ヘッダーの後に、各ピクセルのRGB値が続きます。ASCIIモード（P3）では、これらの値はプレーンテキストで個別の数値として記述され、各RGBトリプレットは1つのピクセルを表します。ピクセルは左から右、上から下に並べられます。バイナリモード（P6）では、色値はよりコンパクトなバイナリ形式で表されます。これは人間が読み取りにくいものの、コンピュータによってより効率的に解析できます。RGBトリプレットの各コンポーネントは通常1バイトであり、圧縮がないにもかかわらず、ASCIIの対応物と比較して読み書きが高速な、より合理化されたファイルになります。
圧縮と追加機能を提供するより高度で複雑な画像形式への移行にもかかわらず、PPM形式はさまざまなニッチなコンテキストでその関連性を維持しています。ファイル形式の特異性よりもアルゴリズムに重点が置かれる画像処理研究において、共通の分母として機能するその能力は過小評価できません。さらに、この形式の単純さと圧縮の欠如により、圧縮アーティファクトによる画像品質の低下がないため、画像操作の忠実度が最優先されるシナリオに最適な選択肢となります。
PPM形式の大きな欠点であるファイルサイズの課題に対処するために、外部圧縮ツールを回避策として検討できます。これにより、圧縮がファイル形式自体に統合されることはありませんが、gzipなどのツールはPPMファイルに必要なストレー ジスペースを大幅に削減でき、転送またはアーカイブの目的で管理しやすくなります。ただし、このアプローチでは、画像の表示または編集のプロセスとは別に、ファイルを圧縮して解凍する必要があるため、ワークフローに別のステップが追加されます。
高度なイメージング技術とより高い効率を求めることは、多くのアプリケーションでJPEGやPNGなどの形式の開発と好みにつながりました。しかし、デジタルイメージングとプログラミングの基礎を教える際のPPM形式の教育的価値を見逃すことはできません。画像ファイルのコアコンポーネントに複雑さを分解することで、学習者は、形式の解析と圧縮アルゴリズムの複雑さに煩わされることなく、画像の変換、強化、生成に影響を与えるアルゴリズムに集中できます。
さらに、PPM形式は、より複雑なイメージングタスクと形式への橋渡しとして機能します。生のピクセルレベルでRGBカラーモデルを理解して使用することは、コンピュータグラフィックスと画像処理のほぼすべての分野に適用できる基礎的な知識を提供します。PPM形式で画像を操作することから得られる経験は、より洗練された形式と、カラースペース、圧縮技術、画像メタデータの処理などの課題に取り組むための基盤を築きます。
結論として、ポータブルピックスマップ（PPM）形式は、そのシンプルさと使いやすさで、コンピュータグラフィックスと画像処理の分野における貴重な学習ツールとして際立っています。より現代的な形式の機能と効率性に欠ける場合がありますが、その単純さは、初心者が画像表現と操作の基本に深く飛び込むための比類のない機会を提供します。 研究者、教育者、趣味家にとって、PPM形式はデジタルイメージングの基礎を探求するための明確でアクセスしやすいフレームワークを提供し、実用的なツールと教育リソースの両方として機能します。
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。