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。
1980年代にApple Inc.によって開発されたPICT画像フォーマットは、主にMacintoshコンピュータ上のグラフィカルアプリケーション向けに設計されまし た。Mac OSのグラフィックスインフラストラクチャの重要な部分として、PICTは単なる画像フォーマットとしてだけでなく、ベクターグラフィックス、ビットマップ画像、さらにはテキストを格納および操作するための複雑なシステムとしても機能しました。PICTフォーマットの汎用性により、幅広いグラフィカルデータタイプを格納できるようになり、初期のMacintoshプラットフォーム上でグラフィックスを開発およびレンダリングするための基本的なツールとなりました。
その本質的に、PICTフォーマットは、単一のファイル内にベクターグラフィックスとラスターグラフィックスの両方を収容するように設計された複雑な構造によって区別されます。この二重性は、PICTファイルにスケーラブルなベクターを使用した詳細なイラストと、リッチなピクセルベースの画像を同時に含めることができます。このような組み合わせは、グラフィックデザイナーやパブリッシャーにとって特に有利であり、当時としては比類のない精度と品質で画像を作成および編集するための高い柔軟性を提供しました。
PICTフォーマットの重要な機能は、オペコード、つまりオペレーショナルコードを使用することです。これにより、Macintosh QuickDrawグラフィックスシステムに特定のタスクを実行するように命令します。Mac OSでの画像のレンダリングの背後にあるエンジンであるQuickDrawは、これらのオペコードを解釈して、シェイプを描画し、パターンを塗りつぶし、テキストプロパティを設定し、画像内のビットマップとベクター要素の構成を管理します。PICTファイル内にこれらの命令をカプセル化することで、画像の動的レンダリ ングが可能になり、これは時代の先を行く機能でした。
PICTフォーマットは、1ビットモノクロから32ビットカラー画像までの幅広い色深度をサポートしています。この幅広いサポートにより、PICTファイルはアプリケーションで非常に汎用性が高くなり、さまざまな表示機能とユーザーのニーズに対応できます。さらに、PICTをQuickDrawシステムと統合することで、Macintoshコンピュータで利用可能なカラーパレットとディザリング技術を効率的に利用できるようになり、どのディスプレイでも画像が最適に見えるようになりました。
PICTファイルの圧縮はさまざまな方法で行われ、PackBitsは品質を大幅に低下させることなくビットマップ画像のファイルサイズを削減するために一般的に使用される手法です。さらに、PICTファイル内のベクター要素は、本質的にビットマップ画像と比較して必要な記憶域が少なく、複雑なグラフィックスを処理するフォーマットの効率に貢献します。PICTのこの側面は、管理可能なファイルサイズで高品質の画像の格納と操作を必要とするアプリケーションに特に適しています。
テキスト処理は、PICTフォーマットが優れているもう1つの側面であり、フォントスタイル、サイズ、および配置の仕様を保持しながら、テキストを画像内に埋め込むことができます。この機能は、テキストレンダリングを制御するためのオペコードの洗練された使用によって実現され、PICTファイルを統合されたグラフィカル要素とテキスト要素を必要とするドキュメントに理想的にしています。テキストとグラフィックスをシームレスに組み合わせる機能は、パブリッシングおよびデザインアプリケーションにとって大きな利点でした。
PICTファイルは通常、ファイルシステム情報用に予約された512バイトのヘッダーで始まり、その後、サイズとフレームの定義で始まる実際の画像データが続きます。フレームは画像の境界を定義し、グラフィックスとテキストがレンダリングされるワークスペースを効果的に設定します。フレームの定義に続いて、ファイルは一連のオペコードに区切られ、それぞれに特定のデータが続き、実行されるさまざまなグラフィック要素と操作を定義します。
PICTフォーマットは柔軟性と機能性に優れていましたが、その独自の性質とデジタルグラフィックスの進化により、最終的には衰退しました。PNGやSVGなどの、よりオープンで汎用性の高いフォーマットの出現により、より優れた圧縮アルゴリズムとクロスプラットフォーム互換性で複雑なグラフィックスを処理できるようになり、PICTは普及しなくなりました。それにもかかわらず、PICTフォーマットはデジタルグラフィックスの歴史における重要なマイルストーンであり、その時代の革新的な精神とベクターグラフィックスとビットマップグラフィックスをシームレスに統合しようとする取り組みを体現しています。
PICTフォーマットの最も魅力的な側面の1つは、スケーラビリティと品質の保持という点で先進的な設計でした。スケーリングすると鮮明さが失われる純粋なビットマップベースのフォーマットとは異なり、PICTファイル内のベクターコンポーネントは品質を損なうことなくサイズ変更できました。この機能は、劣化することなくさまざまなレイアウトに合わせて画像を拡大縮小する機能が不可欠な印刷物に特 に役立ちました。
教育および専門分野では、PICTファイルは独自の機能が非常に高く評価されるニッチを見つけました。たとえば、精度と品質が最優先されるデスクトップパブリッシングやグラフィックデザインでは、PICTは当時の他のフォーマットでは提供できなかったソリューションを提供しました。テキスト、グラフィックス、画像の複雑な構成を高忠実度で処理する機能により、ニュースレターやパンフレットから複雑なグラフィックデザインまで、幅広いアプリケーションで利用されるフォーマットになりました。
しかし、技術的な障害は、Macintoshエコシステムを超えたPICTフォーマットのより広範な互換性と適応性の課題を浮き彫りにしました。デジタル技術が進むにつれて、より普遍的に互換性のあるフォーマットの必要性が高まりました。さまざまなプラットフォームとオペレーティング環境間でグラフィックスを簡単に共有する必要性により、PICTの人気は徐々に低下しました。さらに、インターネットとウェブパブリッシングの台頭により、高速な読み込み時間と幅広い互換性のために最適化された画像フォーマットが求められ、JPEGやGIFなどのフォーマットがより優れたソリューションを提供しました。
最終的には時代遅れになりましたが、PICTフォーマットはデジタルイメージングとグラフィックデザインの開発を形作る上で形成的な役割を果たしました。それは、さまざまなタイプのグラフィックデータを効率的に処理できる汎用的なフォーマットを持つことの重要性を初期に示しました。さらに、PICTの哲学的基盤、特にベクターグラフィックスとビットマップグラフィックスの統 合は、後続の画像フォーマットとグラフィックシステムの設計に影響を与え、この分野におけるその永続的な影響を強調しています。
振り返ってみると、PICTフォーマットは広く使用されなくなったかもしれませんが、その遺産はそれが提唱した原則と導入した革新の中で生き続けています。単一のファイル内で汎用性、品質、さまざまなグラフィック要素の調和のとれたブレンドを重視することは、デジタルグラフィックスの進化を今後も知らせる先例を設定しました。したがって、新しいフォーマットは人気とユーティリティの点でPICTを上回っていますが、PICTの背後にある基本的なアイデアは、グラフィックデザインとデジタルイメージングの領域内で共鳴し続けています。
今後、PICTフォーマットの開発と使用から得られた教訓は、デジタルイメージング技術の絶え間ない進化の性質を強調しています。PICTからより高度なフォーマットへの移行は、デジタル画像における効率性、互換性、品質の業界の継続的な追求を反映しています。したがって、PICTの歴史と技術的な複雑さを理解することは、コンピュータグラフィックスの歴史に関する洞察を提供するだけでなく、デジタルメディアの未来をナビゲートするための適応性と革新の重要性を強調します。
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。