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。
PAL画像フォーマットは、テレビ放送規格（Phase Alternating Line）と混同しないように、さまざまなアプリケーション、特にコンピュータグラフィックスや デジタルアートの分野で使用されるカラーパレットファイルフォーマットです。PALファイルは通常、インデックス画像に適用したり、さまざまなデジタルアセット間の一貫性を維持するために使用できる色のコレクションを格納します。このフォーマットは、色の数が256に制限され、目的の視覚的な結果を得るためにカラーパレットを正確に制御する必要がある8ビットグラフィックスを扱う場合に特に役立ちます。
PALファイルの構造は比較的単純で、フォーマットとバージョンを指定するヘッダーと、パレットデータ自体で構成されています。パレットデータはカラーエントリの配列であり、各エントリは単一の色を定義します。ほとんどの場合、各色は3バイトで表され、色の赤、緑、青（RGB）成分に対応します。PALフォーマットのバリエーションの中には、色の透明度レベルを表すアルファチャンネル用の追加バイトが含まれるものもありますが、これはあまり一般的ではありません。
PALファイルのヘッダーは、ソフトウェアがファイルの残りの部分を正しく解釈するのに役立つ情報が含まれているため、非常に重要です。通常、ファイルがPALフォーマットであることを識別するシグネチャまたはマジックナンバー、フォーマットのバージョン、場合によってはパレットに含まれる色の数が含まれます。バージョン情報は、PALフォーマットの異なる反復をサポートする可能性のあるさまざまなソフトウェアとの互換性を確保するために重要です。
ヘッダーの後、パレットデータは順番に整理されます。各カラーエントリは通常3バイトの長さで、各プライマリカラーコンポーネント（赤、緑、青）に1 バイトずつ使用されます。各コンポーネントの値は0から255の範囲で、合計16,777,216色を使用できます。ただし、PALファイルはインデックス画像でよく使用されるため、これらの色のサブセットのみがパレットに含まれ、通常は最大256色です。
インデックス画像フォーマットは、ピクセルデータを直接格納するのではなく、画像内の各ピクセルをパレット内の色にマッピングすることで機能します。これは、パレット内の色の位置に対応する番号であるインデックスを使用して行われます。たとえば、インデックス0はパレット内の最初の色を参照し、インデックス1は2番目の色を参照します。この色の参照方法は、ファイルサイズを大幅に削減できます。これは、ストレージスペースとメモリが限られていたコンピューティングの初期段階では特に重要でした。
PALファイルを使用する主な利点の1つは、画像データ自体を変更する必要なく、パレットを変更するだけでインデックス画像の外観を変更できることです。これを使用して、さまざまなビジュアルテーマを作成したり、さまざまな照明条件をシミュレートしたり、色補正を実行したりできます。たとえば、ビデオゲームでは、同じスプライトグラフィックスを異なるパレットで再利用してさまざまな環境を表したり、ダメージやパワーアップなどのゲームの状態の変化を示したりできます。
PALフォーマットは、複数の画像やアセット間の一貫性を確保するのにも役立ちます。共通のパレットを共有することで、一連の画像が同じ色のセットを使用することが保証され、まとまりのある外観と感触を維持するために重要です。これは、複数のフレー ムが順番に再生されたときに一貫して見える必要があるアニメーションや、さまざまな要素がアプリケーションの全体的な配色と一致する必要があるユーザーインターフェイスデザインなどのアプリケーションで特に役立ちます。
その利点にもかかわらず、PALフォーマットにはインデックスカラー画像との関連性のために制限があります。ディスプレイ技術とグラフィックスハードウェアが進化するにつれて、インデックスカラーと限定的なパレットの必要性は低下しました。最新のグラフィックスシステムは数百万色を同時に表示できるため、フルカラー画像の使用がより実用的で望ましいものになっています。その結果、PALファイルの使用は、PNGやJPEGなどの真の色をサポートするより汎用性の高い画像フォーマットに取って代わられています。
ただし、PALフォーマットは特定のニッチアプリケーションでも使用されています。たとえば、レトロゲーム開発、ピクセルアート、スタイル上の理由で意図的にカラーパレットを制限するその他の芸術的取り組みでは、PALファイルが使用される場合があります。さらに、PALフォーマットを念頭に置いて設計された一部のレガシーシステムやソフトウェアでは、互換性の目的でPALファイルの使用が必要になる場合があります。
PALファイルの作成と編集は、パレットとインデックス画像の処理用に設計された特殊なソフトウェアツールを使用して行うことができます。これらのツールを使用すると、アーティストや開発者は、色を手動で選択するか、既存の画像から選択して、カスタムパレットを作成できます。また、色の並べ替え、色の値の調整、PALを含む さまざまなフォーマットでのパレットのインポートまたはエクスポートによって、パレットを操作することもできます。
PALファイルを使用する場合は、ターゲットプラットフォームまたはソフトウェアの特定の要件を認識することが重要です。一部のシステムでは、使用できる色の数に制限がある場合や、パレットを特定の方法で整理する必要がある場合があります。さらに、色の解釈方法は、カラースペースやガンマ設定の違いによりシステム間で異なる場合があり、表示されたときの色の最終的な外観に影響を与える可能性があります。
ファイルフォーマットの仕様に関して、PALフォーマットはPNGやJPEGなどのフォーマットと同じ方法で標準化されていません。これは、PALファイルの構造と解釈方法が異なるソフトウェアによって異なる場合があることを意味します。一部のアプリケーションでは、PALフォーマットの独自拡張機能またはバリエーションを使用する場合があり、異なるプログラム間でファイルを交換するときに互換性の問題が発生する可能性があります。PALファイルの作成または編集に使用されるソフトウェアが、意図したユースケースと互換性があることを確認することが重要です。
PALフォーマットの制限に対処するために、拡張機能と代替手段が開発されています。たとえば、Adobe Color Table（.ACT）フォーマットはPALに似ていますが、Adobeソフトウェアでの使用のために特別に設計されています。Windowsで使用されるMicrosoft Palette（PAL）ファイルフォーマットは、Windowsアプリケーションとの互換性を向上させるための追加メタデータを含む別のバリエーションです。これらの代替フォ ーマットは、PALフォーマットと同様の機能を提供しますが、特定のソフトウェアエコシステムとの統合が向上しています。
結論として、PAL画像フォーマットは、インデックス画像内のカラーパレットを管理するためのシンプルでありながら強力なツールです。その使用は最新のグラフィックス技術の出現によって減少しましたが、カラーパレットの管理が重要な特定のコンテキストでは依然として関連性があります。レガシーシステム、レトロスタイルのグラフィックス、または限定的なカラーパレットを正確に制御する必要があるプロジェクトに取り組む人は誰でも、PALファイルの構造とアプリケーションを理解することが重要です。他のファイルフォーマットと同様に、互換性と標準化の問題を考慮して、さまざまなソフトウェアツールとプラットフォーム間のスムーズなワークフローと相互運用性を確保する必要があります。
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。