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。
カプセル化された PostScript ファイル (EPSF または EPS) は、1980 年代後半の誕生以来、印刷および出版業界で重要な役割を果たしてきたグラフィックファイル形式です。Adobe Systems によって開発された PostScript ページ記述言語に深く根ざした EPS は、本質的に単一のファイルとして保存された PostScript プログラムであり、低解像度のプレビュー画像を含み、ベクターグラフィックス、ビットマップ画像、およびテキストを、別の PostScript ドキュメント内に配置できる形式でカプセル化しています。そのため、EPS ファイルは複雑なグラフィックスをさまざまなドキュメントに統合するために広く使用されており、高品質の印刷出力を保証します。
EPS 形式は、本質的に完全に自己完結するように設計されており、忠実度や詳細を損なうことなく、洗練されたグラフィックスをより大きなドキュメントにシームレスに組み込む方法を提供します。このカプセル化戦略は、グラフィックコンテンツだけでなく、プレビュー画像とグラフィックの物理的な寸法を定義する境界ボックスも含まれることで、他のグラフィック形式とは一線を画しています。プレビュー画像を含めることは、PostScript コードを直接解釈できないプログラムにとって特に有用であり、そのようなアプリケーションはスクリプト全体を処理する必要なく、コンテンツのクイックプレビューを表示できます。
EPS ファイルの構造は、いくつかの主要なコンポーネントに分解できます。まず、使用されている EPS 形式のバージョンや境界ボックスの寸法などの重要な情報を含むヘッダーがあり、PostScript 命令の後に続くシーンを本質的に設定します。グラフィックを定義する実際の PostScript コードが次に来て、ベクター命令、ラスター画像、およびフォント定義を組み合わせて、意図した グラフィックをマニフェストする可能性があります。続くオプションのプレビュー画像は、TIFF や WMF などのより単純なグラフィック形式でエンコードされており、PostScript 解析機能のないアプリケーションの視覚化ツールとして機能します。
EPS の基盤となる言語である PostScript を理解することは、この形式の機能を理解するために不可欠です。PostScript は、グラフィックデザイン用に最適化されたチューリング完全プログラミング言語です。画面上のピクセルや印刷物上のドットを直接制御するよりも高いレベルで動作します。代わりに、数学的表現を使用して画像を記述し、スケーラブルな精度で形状、線、曲線、およびテキストを定義します。このアプローチにより、品質を損なうことなくサイズ変更できるグラフィックを作成でき、スケーリングで劣化してしまうラスターベースの形式から EPS コンテンツを区別できます。
EPS 形式の最も明白な利点の 1 つは、プロフェッショナルな印刷ワークフローとの互換性です。PostScript に基づいているため、EPS ファイルは PostScript プリンターによって直接解釈でき、印刷メディア上のグラフィックの正確な再現が保証されます。さまざまな出力デバイス間で高い忠実度を維持するこの機能により、EPS はロゴ、イラスト、および高解像度印刷を目的とした複雑なグラフィックに適した形式になります。さらに、EPS ファイルはデバイスに依存しないため、1 つのシステムで作成して別のシステムで印刷できます。変換や再フォーマットの必要はありません。
その強みにもかかわらず、EPS 形式は現代のデジタル環境で課題や制限に直面しています。世界がますます Web ベースおよびモバイルコンテンツに移行するにつれて、デジタルディスプレイやインタラクティブコンテンツに最適化された SVG などのベクターグラフィック形式の優位性が高まっています。SVG (Scalable Vector Graphics) は、EPS が本質的に欠けている CSS アニメーションやインタラクティビティなどの現代の Web テクノロジーをより適切にサポートしています。さらに、EPS ファイル内のオプションのプレビュー画像のバイナリ性質は、一部の最新のグラフィックデザインソフトウェアとの互換性の問題を引き起こす可能性があります。
EPS 形式に関連するもう 1 つの重要な考慮事項は、そのセキュリティです。EPS ファイルには任意の PostScript コードを含めることができるため、悪意のあるスクリプトを含める可能性があります。このようなファイルが、PostScript 実行環境を適切にサンドボックス化または制限しない脆弱なアプリケーションで開かれると、セキュリティリスクが発生する可能性があります。その結果、一部のソフトウェア開発者は、セキュリティ上の懸念を理由に、制限的な対策を実装したり、EPS のサポートを完全に削除したりしています。これらの課題に対応して、業界の慣行はより安全で柔軟なグラフィック形式へと進化していますが、EPS はその高品質な印刷出力機能が依然として認識されています。
EPS ファイルを作成および操作するプロセスには、通常、PostScript コードをエクスポートできるグラフィックデザインまたはデスクトップパブリッシングソフトウェアが含まれます。Adobe Illustrator や CorelDRAW などのソフトウェアは、EPS ファイルの生成を強力にサポートしており、ユーザーに プレビュー画像の形式と解像度の選択など、出力をカスタマイズするためのさまざまなオプションを提供します。これらの設定を最適化する方法を理解することは、作業の印刷品質を最大化し、さまざまなアプリケーションやデバイスとの互換性を確保しようとするデザイナーにとって不可欠です。
進化するテクノロジーと業界標準の中で EPS 形式の関連性を維持するために、その機能を更新および適応する取り組みが行われてきました。これには、EPS 形式と最新のグラフィックデザインソフトウェアとの互換性を強化し、現在のセキュリティ標準を満たすようにすることが含まれます。これらの更新は、特にその精度と印刷の忠実性という形式のコアアドバンテージを維持しながら、変化するデジタル環境のニーズに対応することを目的としています。この進化の一環として、メタデータを組み込んで EPS グラフィックスのコンテンツとコンテキストをさらに充実させることができるなど、標準 PostScript モデルへのいくつかの拡張が検討されています。
未来を見据えると、グラフィックデザインと出版における EPS 形式の役割は進化し続ける可能性があります。デジタルメディアの要件を本質的にサポートする形式が好まれるようになると、EPS の使用は減少するかもしれませんが、特に印刷出力品質と正確なグラフィック表現を優先する特定の専門的なコンテキストでは、EPS は価値のあるものとして残り続ける可能性があります。品質を損なうことなく複雑なグラフィックスを印刷物にシームレスに統合する機能は、書籍出版、広告、ハイエンドグラフィックデザインなどの分野で EPS の関連性を維持する 独自の利点です。
結論として、カプセル化された PostScript ファイル形式は、特に出版と印刷の分野において、グラフィックデザインの進化において重要な役割を果たしてきました。PostScript の堅牢で汎用的な基盤上に構築されたその設計により、プロフェッショナルな印刷ワークフローに不可欠な、高品質でスケーラブルなグラフィック表現が可能になります。Web に最適化された新しい形式からの課題に直面しているにもかかわらず、EPS は適応を続け、グラフィック形式の殿堂におけるその地位を確固たるものにしました。デジタルと印刷の世界が交差し、進化し続けるにつれて、EPS とその基盤となるテクノロジーの理解は、デザイナーとコンテンツクリエイターにとって貴重な資産であり続けることは明らかです。
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。