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。
PAM（ポータブル任意マップ）画像フォーマットは、Netpbmプロジェクトの傘下で設計された画像ファイルフォーマットファミリー の中で比較的知られていないメンバーです。これは、さまざまな深度とタイプのピクセルデータを持つ幅広い種類の画像タイプを表すことができる、非常に柔軟なフォーマットです。PAMは、本質的に以前のPBM（ポータブルビットマップ）、PGM（ポータブルグレイマップ）、PPM（ポータブルピックスマップ）フォーマットの拡張であり、これらは総称してPNM（ポータブル任意マップ）フォーマットと呼ばれ、機能と圧縮を犠牲にしてシンプルさと使いやすさを重視して設計されました。PAMは、これらのフォーマットの制限を克服しつつ、シンプルさと使いやすさを維持するために導入されました。
PAMフォーマットは、デバイスとプラットフォームに依存しないように設計されており、このフォーマットで保存された画像は、互換性の問題を心配することなく、どのシステムでも開いて操作できます。これは、さまざまなソフトウェアで簡単に読み書きできるプレーンテキストまたはバイナリフォーマットで画像データを格納することで実現されています。このフォーマットは拡張可能でもあり、古いバージョンとの互換性を損なうことなく、新しい機能や機能を追加できます。
PAMファイルは、ヘッダーの後に画像データが続きます。ヘッダーは、画像の幅、高さ、深度、最大値、およびカラースペースを定義するタプルタイプを指定するASCIIテキストです。ヘッダーはマジックナンバー「P7」で始まり、必要なメタデータを指定する改行で区切られた一連のタグが続きます。画像データはヘッダーの直後に続き、バイナリまたはASCIIフォーマットで格納できます。バイナリはファイルサイズが小さく、処理時間が短いため、より一般的な選択肢です。
PAMヘッダーで指定された深度は、ピクセルあたりのチャンネルまたはコンポーネントの数を示します。たとえば、深さ3は通常、カラー画像の赤、緑、青のチャンネルを表し、深さ4には透明度用の追加のアルファチャンネルが含まれる場合があります。ヘッダーで指定される最大値は、任意のチャンネルの最大値を示し、それによって画像のビット深度が決まります。たとえば、最大値255はチャンネルあたり8ビットに対応します。
タプルタイプは、ピクセルデータの解釈を定義するため、PAMフォーマットの重要な機能です。一般的なタプルタイプには、「BLACKANDWHITE」、「GRAYSCALE」、「RGB」、「RGB_ALPHA」などがあります。この柔軟性により、PAMファイルは、単純な白黒画像から透明度のあるフルカラー画像まで、さまざまな種類の画像タイプを表すことができます。さらに、カスタムタプルタイプを定義できるため、このフォーマットは拡張可能で、特殊な画像要件に適応できます。
PAMファイルには、ヘッダーに「#」文字で始まるオプションのコメント行を含めることもできます。これらのコメントは画像リーダーによって無視され、人間が読むことを目的としています。これらは、画像の作成日、画像の生成に使用されたソフトウェア、または標準ヘッダーフィールドに収まらないその他の関連情報などのメタデータを格納するために使用できます。
PAMファイルの画像データは、タプルのシーケンスで格納され、各タプルは1つのピクセルを表します。タプルは、画像の左上から右下に向かって、左上のピクセルから順に並べられます。バイナリフォーマット では、タプルの各チャンネルのデータはバイナリ整数として格納され、チャンネルあたりのバイト数はヘッダーで指定された最大値によって決まります。ASCIIフォーマットでは、チャンネル値は空白で区切られたASCII 10進数で表されます。
PAMフォーマットの利点の1つは、シンプルであることで、解析と生成が容易です。このシンプルさはファイルサイズの犠牲を伴います。PAMには組み込みの圧縮メカニズムが含まれていないためです。ただし、PAMファイルは、gzipやbzip2などの汎用圧縮アルゴリズムを使用して外部的に圧縮できます。これにより、ストレージや送信のためのファイルサイズが大幅に削減できます。
その利点にもかかわらず、PAMフォーマットは、組み込みの圧縮を提供し、より広範なソフトウェアとハードウェアでサポートされているJPEG、PNG、GIFなどの他の画像フォーマットの優位性により、主流では広く使用されていません。しかし、PAMは、特定のアプリケーション、特に高い柔軟性が必要なものや、フォーマットのシンプルさと精度が有益な画像処理または分析タスクを含むものにとって、依然として貴重なフォーマットです。
ソフトウェア開発のコンテキストでは、PAMフォーマットは、画像処理パイプラインの中間フォーマットとしてよく使用されます。その単純な構造により、カスタムスクリプトやプログラムで簡単に操作でき、その柔軟性により、情報の損失なしにさまざまな処理ステップの出力を収容できます。たとえば、画像をPAMフォーマットに変換し、フィルターや変換を適用するために処理し、表示または配布のためにより一般的なフォーマットに変換できます。
Netpbmライブラリは、PAMやその他のNetpbmフォーマットを扱うための主要なソフトウェアパッケージです。フォーマット間の変換用のコマンドラインツールのコレクションを提供し、スケーリング、クロッピング、色調整などの基本的な画像操作を実行します。このライブラリには、Cやその他の言語用のプログラミングインターフェイスも含まれており、開発者はアプリケーション内でPAMファイルを直接読み書きできます。
PAMフォーマットを扱うことに興味のあるユーザーと開発者には、考慮すべき点がいくつかあります。まず、このフォーマットは一般的ではないため、すべての画像表示および編集ソフトウェアがネイティブでサポートするわけではありません。特定のタスクには、特殊なツールを使用するか、別のフォーマットに変換する必要がある場合があります。次に、圧縮がないということは、PAMファイルは特に高解像度の画像では非常に大きくなる可能性があることを意味します。このフォーマットを使用する場合は、ストレージと帯域幅を考慮する必要があります。
これらの考慮事項にもかかわらず、PAMフォーマットの強みは、特定のコンテキストで貴重なツールになります。そのシンプルさと柔軟性により、迅速な開発と実験が容易になり、その拡張性により、将来のニーズに適応できます。研究、科学的画像処理、または画像データの完全性と精度が最優先されるアプリケーションの場合、PAMは堅牢なソリューションを提供します。
結論として、PAM画像フォーマットは、Netpbm画像フォーマットファミリーの一部である汎用的で単純なファイルフォーマットです。シンプルで柔軟でプラッ トフォームに依存しないように設計されており、幅広い種類の画像タイプとアプリケーションに適しています。ファイルサイズや広範な互換性が懸念されるすべての状況に最適な選択肢ではない場合がありますが、その強みは、画像データの正確な表現と操作を必要とする特殊なアプリケーションに最適な選択肢になります。そのため、画像処理と分析の分野で関連性があり、有用なフォーマットであり続けています。
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。