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。
DCXイメージ形式は、拡張子.dcxとして指定され、主に複数のPCX形式の画像を1つのファイルにカプセル化する目的で役立つ、注目に値するグラフィカ ルファイル形式です。この機能は、ファックス文書、アニメーション画像、複数ページの文書など、画像シーケンスや多数のページを含む文書の整理、保存、転送を必要とするアプリケーションに特に役立ちます。パーソナルコンピューティングの初期に開発されたDCX形式は、デジタル画像管理の進化するニーズを証明するものであり、大量の画像処理のためのソリューションを提供します。
DCXの基盤を形成するPCX形式は、ソフトウェア業界で広く採用された最も初期のビットマップ画像形式の1つであり、主にPC Paintbrushソフトウェアによって採用されました。ラスター画像形式として、ファイル内の個々のピクセル情報をエンコードし、さまざまな色深度をサポートし、複合DCX形式の基礎として効果的に機能します。その古さにもかかわらず、PCX（および拡張されたDCX）は、そのシンプルさと古いソフトウェアアプリケーションとの互換性により、特定のニッチで使用され続けています。
DCXファイルの構造は、本質的にヘッダーの後に一連のPCXファイルが続きます。DCXファイルのヘッダー部分は、一意の識別子（「0x3ADE68B1」）で始まり、これはDCXファイルを他のファイル形式から確実に区別するためのマジックナンバーとして機能します。マジックナンバーの後に、DCXファイル内の各カプセル化されたPCX画像のオフセット位置をリストするディレクトリがあります。このアプローチにより、ファイルを全体として順次解析する必要がなく、個々の画像にすばやくアクセスできるため、特定のコンテンツにアクセスするための形式の効率が向上します。
ディレクトリセクションの各エントリは、DCXファ イル内のPCX画像の開始位置を指す32ビットオフセットで構成されています。このディレクトリ構造のシンプルさにより、広範なファイルの再処理なしで、DCXファイル内のPCX画像の追加、削除、または置換を迅速に行うことができます。これは、複数ページの文書画像やシーケンシャル画像コレクションの管理可能な更新と編集を可能にする、形式の設計の先見性を強調しています。
技術的なエンコーディングの点では、DCXコンテナ内にカプセル化されたPCXファイルは、その画像データを一連のスキャンラインとして格納します。これらのスキャンラインは、ファイルサイズを縮小しても元の画像品質を損なわないロスレスデータ圧縮の一種であるランレングスエンコーディング（RLE）を使用して圧縮されます。RLEは、単一色の広い領域を持つ画像に特に効率的であり、PCXおよびDCX形式に一般的に関連付けられているスキャンされた文書画像や単純なグラフィックスに適しています。
色深度に関するPCX形式の柔軟性は、DCX形式の適応性に重要な役割を果たします。PCXファイルは、モノクロ、16色、256色、およびトゥルーカラー（24ビット）の画像を処理できるため、DCXコンテナは幅広い種類の画像をカプセル化できます。この汎用性により、元の文書や画像の忠実性を維持することが最優先されるアーカイブ目的において、DCX形式の関連性が継続的に確保されます。
その利点にもかかわらず、DCX形式は、その設計とそれが生まれた技術時代に固有の制限に直面しています。まず、この形式は、より最新の画像ファイル形式で標準となっているレイヤー、透明性、メタデータなどの高度な画像機能を本質的に サポートしていません。これらの制限は、複雑な画像編集やデジタルアートワークの作成ではなく、文書のスキャンやアーカイブなどのより単純なアプリケーションにおける形式の有用性を反映しています。
さらに、PCXおよびDCX形式によって採用されているランレングスエンコーディング方式は特定の種類の画像には効率的ですが、すべてのシナリオで最適な圧縮を提供するとは限りません。JPEGやPNG形式で使用されるものなどの最新の画像圧縮アルゴリズムは、より洗練された方法を提供し、より広い範囲の画像に対してより高い圧縮率とより優れた品質をより小さなファイルサイズで実現します。ただし、RLEのシンプルさとDCX画像でのロスレス圧縮アーティファクトの欠如により、元の視覚的整合性が低下することなく維持されます。
さらに、DCXファイル内のPCX形式への依存は、PCXに関連する制限と課題も継承することを意味します。たとえば、色深度の制限と複雑な画像に対するRLE圧縮の非効率性により、最新のハイレゾリューション画像や広い色域を持つ画像を処理することは問題になる可能性があります。その結果、DCXファイルはより単純な画像や文書スキャンを効率的に格納することに優れていますが、高品質の写真や詳細なグラフィック作業には理想的な選択肢ではない可能性があります。
ソフトウェアの互換性の観点から、DCX形式は、レガシーファイル形式を扱うように設計されたものや文書イメージングを専門とするものなど、さまざまな画像表示および編集プログラムからサポートされています。この相互運用性により、ユーザーは大きな障害なくDCXファイルにアクセスして操作し 、既存のソフトウェアソリューションを活用できます。それにもかかわらず、デジタルイメージングの状況が進化するにつれて、より高度で柔軟な画像形式が普及することで、DCXの継続的な採用とサポートが課題となり、よりニッチまたはレガシーアプリケーションに追いやられる可能性があります。
これらの考慮事項に照らして、DCX形式の将来は、複数ページの文書画像を1つのファイルに効率的に格納し、ロスレス圧縮による元の画像品質を維持するなどのその特定の利点がその制限を上回る、ニッチアプリケーションに密接に関連しているように思われます。法的文書のアーカイブ、歴史的文書の保存、特定の種類の技術文書など、これらの要因を優先する業界やアプリケーションは、DCX形式に価値を見出し続ける可能性があります。
さらに、デジタルレガシーと歴史的文書を保存におけるDCX形式の役割を過小評価することはできません。元の文書の信頼性と完全性を維持することが不可欠な状況では、DCX形式のシンプルさと信頼性は、最新のコンピューティングリソースを必要とするより複雑な形式よりも優位性をもたらす可能性があります。ロスレス圧縮の強調とさまざまな色深度のサポートにより、デジタル複製は元の文書と密接に一致し、アーカイブ目的には不可欠な考慮事項となります。
これらの長所と短所を考慮すると、現代のデジタルイメージングにおけるDCX形式の関連性は、広範な主流の採用ではなく、特定のユースケースにおける継続的な有用性に依存しています。すべてのシナリオで機能や効率の点で最新の画像形式と競合することはないかもしれませんが、DCXはデジタルイ メージングエコシステム、特にその独自の機能が最も重視されるレガシーシステムや特定の業界において、ニッチでありながら重要な地位を占めています。
要約すると、DCX画像形式は、複数ページの画像文書やシーケンスを管理する際のシンプルさ、効率性、機能性のバランスを例示しています。由緒あるPCX形式への依存は、初期のデジタル画像管理の遺産に根ざしていますが、その機能と制限も明確にしています。より高度で汎用性の高い画像形式の課題に直面しているにもかかわらず、DCXは、ロスレス圧縮、複数の画像の効率的な処理、古いソフトウェアとの互換性などの属性がユーザーと業界の実際的なニーズに一致する特定のアプリケーションにおいて関連性を維持しています。
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。