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。
EPSI（Encapsulated PostScript Interchange）画像形式は、EPS形式の特殊バージョンで、PostScriptファイルとプレビュー画像 をカプセル化するために設計されています。この形式は、PostScriptコード自体を直接レンダリングせずにPostScriptコンテンツを視覚化する必要がある環境で特に価値があります。プレビュー画像があることで、PostScriptを理解していないアプリケーションやシステムでも、コンテンツの視覚的な表現を表示できます。この二重性は、EPSIを印刷、出版、デザインの分野で非常に汎用性の高いものにし、複雑なグラフィックデザインとさまざまなソフトウェアプラットフォームでの表現とのギャップを埋めます。
EPSIファイルは本質的に、PostScriptコードとプレビュー画像という2つの主要コンポーネントで構成されています。PostScriptコードは、印刷物上のテキスト、グラフィックシェイプ、画像の外観を記述するためにAdobe Systemsによって開発されたプログラミング言語です。非常に強力で柔軟性があり、複雑なレイアウトやタイポグラフィを正確に記述できます。一方、プレビュー画像は通常、バイナリまたはASCII形式で保存され、PostScriptコンテンツのクイックな視覚的参照として機能します。この分岐により、ユーザーはより直感的な方法でファイルと対話し、抽象的なPostScriptコマンドとその視覚的な結果との橋渡しを行います。
EPSI形式の最も魅力的な機能の1つは、幅広いソフトウェアとの互換性です。EPSIファイルには元のPostScriptデータとプレビュー画像の両方が含まれているため、ベクターベースとラスターベースの両方のワークフローにシームレスに統合できます。これにより、EPSIファイルは、Adobe Illustrator、Photoshop、その他のグラフィックデザインソフトウェアなどのさまざまなツールで処理できるグラ フィックデザイン、デスクトップパブリッシング、オンラインコンテンツ作成に最適です。さらに、さまざまなオペレーティングシステムでこの形式がサポートされているため、マルチプラットフォームの世界での使い勝手が向上します。
EPSIファイルの作成と編集には、PostScriptプログラミングと画像編集の両方の微妙な理解が必要です。このプロセスは通常、ベクターベースの設計ツールでグラフィックデザインまたはレイアウトを作成することから始まります。デザインが完成したら、PostScriptファイルとしてエクスポートされます。このファイルは、プレビュー画像とともにEPSI形式にカプセル化されます。プレビュー画像は、使用するソフトウェアによってさまざまな方法で生成できますが、一般的にはPostScriptコンテンツのラスター化されたバージョンを表します。EPSIファイルのこの二重性は、PostScriptコードの精度とプレビュー画像の視覚的忠実性の間の慎重なバランスを必要とします。
EPSI形式に固有の技術的な課題の1つは、PostScriptコンテンツとプレビュー画像間の同期を維持することです。ファイルのPostScript部分は複雑で動的に生成されたグラフィックを含んでいる可能性があるため、プレビュー画像がこのコンテンツを正確に表現していることを確認するのは難しい場合があります。この問題は、EPSIファイルの初期作成後にPostScriptコンテンツが編集された場合に特に顕著になります。そのような場合、プレビュー画像は更新されたコンテンツを反映するように再生成する必要があります。このプロセスは、正確に処理しないと不一致が生じる可能性があります。
EPSI形式の柔軟性は、プレビューでさまざまなレベルの画質をサポートする機能にまで及びます。ファイルの目的の使用に応じて、プレビュー画像の品質を調整して、視覚的な明瞭さとファイルサイズとのバランスを取ることができます。EPSIファイルがクイックビューイングまたはオンライン共有を目的としている場合は、低品質でサイズの小さいプレビューが好まれる場合があります。逆に、ハイエンドの印刷や詳細なレビューでは、基盤となるPostScriptコンテンツを正確に表現するために高解像度のプレビューが必要です。このレベルの柔軟性により、ユーザーは特定のニーズに合わせて形式を調整できるため、さまざまなユースケースに非常に適応できます。
その強みにもかかわらず、EPSI形式には制限がないわけではありません。1つの大きな欠点はファイルサイズで、他の画像形式よりもかなり大きくなる可能性があります。これは主に、完全なPostScriptコードとプレビュー画像の両方が含まれるファイルの二重の性質によるものです。ストレージまたは帯域幅が問題となる環境では、EPSI形式は理想的な選択肢ではない場合があります。さらに、PostScript言語の複雑さは、EPSIファイルの作成と編集にはより高いレベルの技術スキルが必要であることを意味し、専門家以外の人にとってはアクセスが制限される可能性があります。
EPSIファイル内のPostScriptとプレビュー画像の相互作用は、セキュリティにも影響します。PostScriptはプログラミング言語であるため、悪意のある目的で悪用される可能性のあるコードの実行を許可します。EPSIファイルを配布する場合は、セキュリティリスクを軽減するためにPostScriptコンテンツが信頼で きるソースからのものであることを確認することが不可欠です。この側面は、特に機密性の高い環境や安全な環境でEPSIファイルを処理する場合に注意とデューデリジェンスが必要です。
ファイルの互換性と将来性という点では、EPSI形式は、確立され広くサポートされている言語であるPostScriptに基づいていることから恩恵を受けています。ただし、グラフィックデザインおよびパブリッシングソフトウェアの進化する状況は、その継続的な関連性に課題をもたらす可能性があります。新しい形式やテクノロジーが出現するにつれて、主に印刷やハイエンドデザインに対応するEPSIのような形式の必要性は低下する可能性があります。関連性の低下は、最新のソフトウェアエコシステムとの互換性を確保するために、レガシーシステムとファイルを維持および更新することの重要性を強調しています。
技術的な観点から、パフォーマンスと互換性のためにEPSIファイルを最適化するには、いくつかの考慮事項があります。1つの重要な側面は、プレビュー画像の正しい解像度の選択です。これは、視覚品質とファイルサイズのバランスを取る必要があります。さらに、PostScriptコンテンツを作成するときは、効率的なコーディング手法を採用することで、全体的なファイルサイズを削減し、レンダリング時間を向上させることができます。これには、ベクターパスの最適化、複雑なパターンまたはグラデーションの使用の最小化、PostScriptコード内の要素の不要な繰り返しの回避が含まれます。
従来のEPSファイルをEPSI形式に変換するプロセスは、この形式の適応性を強調しています。既存のEPSファイルにプレビ ュー画像を追加することで、ユーザーはPostScriptのすべての堅牢な機能を保持しながら、さまざまなプラットフォームでプレビューできるという追加の利点を得るEPSIファイルに変換できます。この変換プロセスには、適切なプレビュー画像を生成し、EPSI仕様に準拠する方法でPostScriptコードでカプセル化することが含まれます。この機能は、グラフィックデザインおよびパブリッシングの分野におけるEPSI形式の柔軟性と永続的な価値を強調しています。
結論として、EPSI画像形式は、PostScriptの複雑でプログラミング主導の世界と、グラフィックデザインとパブリッシングの視覚指向の領域との間の橋渡し役として機能します。プレビュー画像とPostScriptコンテンツの独自の組み合わせは、他の形式では一致しにくい精度、汎用性、互換性を提供します。ファイルサイズの考慮事項や技術的専門知識の必要性などの独自の課題がありますが、特に印刷品質とクロスプラットフォームの一貫性の点でテーブルにもたらす利点は、デザイナー、パブリッシャー、印刷専門家にとって貴重なツールになります。テクノロジーが進化し続けるにつれて、EPSI形式の役割と機能は変化するかもしれませんが、包括的で柔軟な画像形式としてのそのコアバリュープロポジションは、今後何年にもわたって関連性を維持する可能性があります。
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。