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。
PCTイメージ形式はMacintosh PICT形式としても知られ、主にMacintoshコンピュータで使用されていたグラフィックファイル形式です。もともと1980年代に メタファイル形式として設計されました。つまり、ビットマップデータとベクターデータの両方を格納できます。この汎用性により、シンプルなイラストから複雑な画像まで、幅広いグラフィックの種類を格納して転送するための一般的な選択肢となりました。PCT形式は、Apple Inc.によって開発され、さまざまなアプリケーション間でグラフィックを転送し、初期のMacintoshオペレーティングシステムのグラフィカルユーザーインターフェイスの基礎であったQuickDrawグラフィックライブラリのグラフィックダンプ形式として機能するように設計されました。
PCT形式は、ベクター情報とビットマップ情報を両方格納できるという点でユニークです。ベクターグラフィックは数学的方程式によって定義されたパスで構成されており、品質を損なうことなくスケーリングできます。一方、ビットマップグラフィックはピクセルで構成されており、拡大すると細部が失われる可能性があります。PCTファイルはこれら2種類のデータを組み合わせることで、テキスト、線画、写真要素を含むイラストなどの複雑な画像を効率的に格納し、画像の特定の部分を劣化させることなくスケーリングできます。
PCTファイルは、通常ゼロで埋められ、PCT形式自体では使用されない512バイトのヘッダーで始まるように構成されています。その後に、バージョン番号や画像のサイズなどの重要な情報を含むPCTファイルヘッダーが続きます。ヘッダーの後には、画像のレンダリング方法を指示するオペコード（操作コード）で構成される画像データが続きます。これらのオペコードは、線、形状、色、その他のグラフィック要素、およびラス ター画像のビットマップデータを定義できます。
PCT形式には、PICT1とPICT2の2つの主要バージョンがあります。PICT1は、基本的な描画コマンドと限られた数の色をサポートするオリジナルバージョンです。Macintosh IIで導入されたPICT2は、24ビットカラー、グラデーション、JPEG圧縮などのより高度なイメージング機能のサポートを追加しました。 PICT2はまた、「領域」の概念を導入しました。これにより、定義された領域に基づいて画像の特定の部分のみが描画される、より複雑なクリッピング操作が可能になりました。
PCT形式の重要な機能の1つは、画像データを圧縮する機能です。 PCTファイルは、同じデータ値のシーケンスを元のランではなく単一の値とカウントとして格納する、データ圧縮の単純な形式であるRLE（ランレングスエンコーディング）を使用します。これは、均一な色の広い領域を持つ画像に特に効果的です。 PICT2は、写真画像の圧縮に効率的なJPEG圧縮をサポートすることで、この機能を強化しました。
PCT形式には、その時代には高度だった他の多くの機能も含まれています。複数の解像度をサポートしているため、画像を出力デバイスの機能に応じてさまざまなレベルの詳細でレンダリングできます。これは、同じ画像を画面とプリンターの両方に表示する場合に特に便利です。通常、解像度の要件が大きく異なります。さらに、PCTファイルには、ベクターデータの小さなビットマップ表現であるプレビュー画像を含めることができます。これにより、アプリケーションはベクターグラフィック全体をレンダリングすることなく、画像のサムネイルをすばやく表示できます。
その機 能にもかかわらず、PCT形式にはいくつかの制限があります。最も重要なものの1つは、透過性のサポートがないことです。GIFやPNGなどの形式とは異なり、PCTでは透過背景や半透明要素を持つ画像を作成できません。この制限は、画像を重ねたり、画像をさまざまな色やパターンの背景の上に配置する必要がある場合に問題になる可能性があります。
PCT形式のもう1つの制限は、プラットフォーム依存性です。 PCTはMacintoshオペレーティングシステムとQuickDraw用に設計されているため、他のプラットフォームではネイティブにサポートされていません。Windowsや他のオペレーティングシステムでPCTファイルを読み書きできるサードパーティのツールやライブラリがありますが、この形式はMacintoshコミュニティ以外では広く採用されていません。これにより、特にMacintosh固有のソフトウェアの使用が時間の経過とともに減少したため、互換性の問題が発生しています。
PCT形式にはセキュリティ上の懸念もあります。過去には、一部のアプリケーションがPCTファイルを処理する方法に脆弱性が発見されており、悪意のあるコードが実行される可能性がありました。これは、複雑さと下位互換性によりセキュリティの過失につながる可能性がある多くのファイル形式で一般的な問題です。その結果、一部の最新のアプリケーションではPCT形式のサポートが削除されたか、より安全なサンドボックス環境で処理されています。
ファイル拡張子の点では、PCTファイルは通常「.pct」または「.pict」拡張子で保存されます。ただし、Macintoshファイルシステムの大文字と小文字を区別しない性質により、これらの拡張子は互換性 があります。PCTファイルをLinuxなどの大文字と小文字を区別するファイルシステムを持つシステムに転送する場合、互換性の目的で正しいファイル拡張子を維持する必要があります。
PCT形式は、PNG、JPEG、SVGなどのより最新の画像形式に取って代わられています。これらの形式は、より優れた圧縮、より広いプラットフォームサポート、透明性やアニメーションなどの追加機能を提供します。ただし、PCTファイルは、特に古いMacintoshオペレーティングシステム用に設計されたレガシーシステムやアプリケーション内でまだ使用されています。このため、アーカイブされたグラフィック資料を扱ったり、古いMacintoshソフトウェアとインターフェイスしたりする場合、PCT形式を理解することが重要になる場合があります。
PCTファイルを使用する開発者やユーザー向けに、これらの画像を表示、変換、編集するための多くのツールが用意されています。 GraphicConverterは、他の多くの形式の中でもPCTファイルを処理できる人気のMacintoshアプリケーションです。 Adobe PhotoshopにもPCTファイルを開いて変換する機能がありますが、形式の関連性が低下したため、新しいバージョンではサポートが削除されている場合があります。ユーザーがPCTファイルをJPEGやPNGなどのより一般的な形式に変換できるオンラインツールもいくつかあります。
プログラミングの分野では、ImageMagickやPython Imaging Library（PIL）などのライブラリを使用して、PCTファイルをプログラムで操作できます。これらのライブラリは、PCTファイルの読み取り、書き込み、変換、および画像処理タスクを実行するための関数を提供します。ただし、開発者は、 これらのライブラリでのPCTファイルのサポートはより最新の形式と比較して限定的である可能性があり、PCTファイルを正しく処理するには追加の労力が必要になる場合があります。
結論として、PCT画像形式はMacintoshコンピューティングの初期に重要な役割を果たし、グラフィックを格納して操作するための柔軟で強力な方法を提供しました。新しい形式に取って代わられていますが、そのレガシーは、かつてはユビキタスなこの形式に依存するレガシーコンテンツやアプリケーションの形で続いています。構造と機能から制限とセキュリティ上の懸念まで、PCTの技術的側面を理解することは、アーカイブ作業でこの形式に出くわしたり、古いMacintoshシステムとやり取りしたりする可能性のある専門家にとって不可欠です。
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。