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。
アイコン画像フォーマットは一般的にICOとして知られており、Microsoft Windowsのアイコンに一般的に使用されるファイルフォーマットです。ICOファイル には複数の小さな画像が複数のサイズと色深度で含まれているため、適切に拡大縮小できます。Windowsでは、アイコンはアプリケーション、ファイル、またはフォルダを表すために使用され、ユーザーインターフェイスに不可欠です。ICOフォーマットは汎用性が高く、16x16ピクセルから256x256ピクセルまでの画像を許可し、特定の回避策を使用するとさらに大きくなります。このフォーマットは、24ビットカラー画像と8ビット透過性をサポートしており、これは多くの場合アルファ透過性と呼ばれます。
ICOフォーマットは、単一のファイル内に複数の画像を含めることができるという点でユニークです。これは、異なるサイズと解像度で表示する必要があるアイコンに特に便利です。たとえば、一般的なICOファイルには、16x16、32x32、48x48、および256x256ピクセルでレンダリングされた同じアイコンが含まれる場合があります。これにより、オペレーティングシステムは、ファイルリスト内の小さなアイコンや、ユーザーがビューオプションを変更して大きなアイコンを表示する場合の大きなアイコンなど、特定のコンテキストに最適なサイズを選択できます。
ICOファイルの構造は比較的単純です。ヘッダーから始まり、次にディレクトリ、そして画像データ自体が続きます。ヘッダーには、常にゼロに設定される予約済みの2バイトフィールド、リソースタイプ（アイコンの場合は1）を指定する2バイトタイプフィールド、およびファイルに含まれる画像の数を示す2バイトカウントフィールドが含まれます。ヘッダーの後にディレクトリがあり、これはファイル内の各画像の1つのエントリの配列です。各ディレク トリエントリには、幅、高さ、色数、画像データのサイズなどの複数のフィールドが含まれます。
ディレクトリエントリの幅と高さのフィールドはそれぞれ1バイトで、最大値は255です。ただし、実際には、ICO画像の最大寸法は256x256ピクセルです。画像の幅または高さが256ピクセルの場合、対応するフィールドは0に設定されます。色数フィールドは画像のパレット内の色の数を指定し、値が0の場合は画像がパレットを使用しない（つまり、24ビットまたは32ビット画像である）ことを意味します。サイズフィールドは画像データのサイズをバイト単位で示す4バイト値であり、オフセットフィールドはファイル内の画像データの位置を指定する4バイト値です。
ICOファイル内の画像データは、いくつかのフォーマットのいずれかに格納できます。64x64ピクセル未満の寸法を持つ小さなアイコンの場合、画像データは通常、BMPファイルでも使用されるデバイス非依存ビットマップ（DIB）フォーマットで格納されます。このフォーマットには、BITMAPINFOHEADER構造、次に（画像が使用する場合は）カラーパレット、次にピクセルデータが含まれます。大きなアイコンの場合、画像データは多くの場合PNGフォーマットで格納され、これによりより優れた圧縮が可能になり、アルファ透過性がサポートされます。
BITMAPINFOHEADER構造には、サイズ、幅、高さ、プレーン、ビット数、圧縮、画像のサイズ、水平および垂直解像度、色数、および重要な色数など、ビットマップに関する情報が含まれます。ビット数フィールドはピクセルあたりのビット数を示し、1、4、8、24、または32にすることができます。ビット数が32の場合、画像は透過性のためのアルファチャンネルを含むことを示します。圧縮フィールドは通常0に設定され、ICOファイル内のBMPフォーマットの画像の圧縮がないことを示します。
ICOファイルの透過性は2つの方法で処理されます。アルファチャンネルのない画像の場合、マスクビットマップが使用されます。これは、どのピクセルが透過的でどのピクセルが不透明かを指定する1ピクセルあたりの1ビット画像です。マスクビットマップは、ファイル内のカラービットマップの直後に格納されます。アルファチャンネルを持つ画像の場合、透過性情報はアルファチャンネル自体に格納され、これは32ビットカラー深度の一部です。これにより、完全に不透明から完全に透過まで、さまざまなレベルの透過性が可能になり、特に滑らかなエッジとドロップシャドウを作成するのに役立ちます。
ICOフォーマットは時間の経過とともに進化してきました。もともと、古いバージョンのWindowsでは、アイコンは小さなカラーパレットに限定されており、アルファ透過性はサポートされていませんでした。グラフィカルユーザーインターフェイスがより洗練されるにつれて、滑らかなエッジを持つ高品質のアイコンと、さまざまな背景にブレンドする機能の必要性が明らかになりました。Windows XPの導入により、MicrosoftはICOフォーマットを更新して8ビットアルファ透過性を持つ32ビット画像をサポートし、はるかに詳細で視覚的に魅力的なアイコンを可能にしました。
その名前にもかかわらず、ICOフォーマットはMicrosoft Windowsに限定されません。さまざまな他のオペレーティングシステムで認識されており、Webブラウザでファ ビコンとして使用できます。ファビコンは、ブラウザタブのWebサイトのタイトルの横に表示される小さなアイコンです。ファビコンは通常16x16または32x32ピクセルのサイズで、さまざまなブラウザやプラットフォームでの互換性を確保するためにICOフォーマットで格納されます。ただし、PNGやGIFなどの他のフォーマットも、最新のWeb開発でファビコンに使用されています。
ICOファイルを作成するには、単一のファイル内の複数の画像サイズや色深度などのフォーマットの複雑さを処理できる特殊なソフトウェアが必要です。ICOファイルを最初から作成したり、既存の画像をICOフォーマットに変換したりできるアイコンエディタやコンバータが数多くあります。Adobe Photoshopなどの画像編集ソフトウェアの中には、追加のプラグインを使用してICOフォーマットで画像を保存できるものもあります。
ICOフォーマット用のアイコンを設計する際には、それらが使用されるコンテキストを考慮することが重要です。アイコンは小さなサイズでも読みやすく認識でき、それらが表すアプリケーションまたはブランドに一致する一貫したスタイルに準拠する必要があります。また、アイコンをさまざまな背景やさまざまなサイズでテストして、明瞭さと視覚的インパクトを維持することを確認することも重要です。
ファイルサイズに関して、ICOファイルは含まれる画像の数とサイズによって大きく異なる場合があります。複数のサイズと色深度を含めることができるため、ICOファイルはかなり大きくなる可能性があり、特に高解像度の画像が含まれる場合はそうです。ただし、大きな画像にPNG圧縮を使用すると、画質を 犠牲にすることなくファイルサイズを削減することで、この問題を軽減できます。
ICOフォーマットは、単一のファイル内に異なるサイズと色深度の複数の画像を含めることができるため、アイコン用の堅牢で柔軟なフォーマットになります。オペレーティングシステムは、複数の別々のファイルの必要なしに、特定の表示コンテキストに適した画像サイズと色深度をロードできるため、リソースを効率的に使用できます。この効率性は、メモリとストレージスペースが限られている環境で特に重要です。
結論として、ICO画像フォーマットは、Microsoft Windowsで使用されるアイコンを格納するために設計された特殊なファイルフォーマットです。さまざまなサイズと色深度で複数の画像を含めることができるため、さまざまなコンテキストで表示する必要があるアイコンに最適です。このフォーマットは、マスクビットマップまたはアルファチャンネルを使用して透過性をサポートし、滑らかなエッジと複雑な視覚効果を持つアイコンの作成を可能にします。このフォーマットは主にWindowsと関連付けられていますが、Webでもファビコンの標準として使用されています。ユーザーインターフェイスが進化し続けるにつれて、ICOフォーマットは視覚的にまとまりがあり、ユーザーフレンドリーな環境を作成するための重要な要素であり続けます。
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。