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。
PNG00イメージフォーマットは、より広範なPortable Network Graphics（PNG）フォーマットの特定のサブセットを表し、ラスターイメージのロスレスで高圧縮な保存を容易にするように設計されています。GIFの改良と向上として開発され、その多用途な機能により人気を博しています。幅広い色深度と追加機能をサポートする一般的なPNGとは異なり、PNG00は特定の条件に最適化されたフォーマットを指し、元のイメージデータの完全性を損なうことなく、効率的な圧縮と古いシステムとの互換性の達成に重点を置いています。
PNGフォーマット（PNG00を含む）の中核では、ロスレスな圧縮方法が使用されています。つまり、JPEGやその他のロスレスフォーマットとは異なり、イメージがPNG00フォーマットに圧縮されると、品質が低下せず、元のイメージ情報はすべて完全に復元できます。これは、デスクトップパブリッシング、デジタルアート、明瞭さと正確さが重要な特定のWebグラフィックスなど、イメージの完全性が最優先されるアプリケーションにとって特に重要です。
PNGファイルの構造は、すべてのPNGファイルと同様に、チャンクベースです。PNGファイルは、それぞれが異なる目的に役立つ複数のチャンクで構成されています。これらのチャンクには、イメージデータ自体に加えて、イメージの色空間、ガンマ、テキストアノテーションなどのメタデータを含めることができます。すべてのPNGファイルの重要なチャンクは、イメージのサイズと色深度の概要を示すヘッダーチャンク（IHDR）、インデックス付きイメージのカラーパレットチャンク（PLTE）、実際の圧縮イメージデータを含むイメージデータチャンク（IDAT）、およびファイルの終わりを示す終了チャンク（IEND）です。
PNG00、およびPNG全体での圧縮は、フ ィルタリングとDEFLATEアルゴリズムの組み合わせによって実現されます。フィルタリングは、イメージ情報の複雑さを軽減することで、より効率的な圧縮のためにイメージデータを準備する前処理ステップです。利用可能なフィルタリング方法はいくつかあり、PNGは隣接するピクセルの色に基づいてピクセルの色を予測するフィルタリング方法を使用し、それによって圧縮する必要がある情報の量を削減します。フィルタリング後、LZ77とハフマン符号化のバリエーションであるDEFLATE圧縮アルゴリズムが適用され、イメージデータをロスレスで大幅に圧縮します。
PNG00、およびPNGの際立った特徴の1つは、アルファチャンネルをサポートしていることで、イメージにさまざまなレベルの透明度を持たせることができます。この機能は、イメージを異なる背景に重ねる必要があるWebデザインやソフトウェア開発で特に役立ちます。完全に透明または完全に不透明なピクセルのみをサポートするGIFなどのフォーマットとは異なり、PNGの8ビット透明度のサポートにより、完全に透明から完全に不透明までの256レベルの不透明度が可能になり、スムーズな遷移と効果を作成できます。
PNG、および拡張PNG00でのカラーマネジメントは、ICCプロファイルチャンクまたはsRGBチャンクを含めることで処理され、イメージ内の色が異なるデバイスによってどのように解釈されるかを指定します。これにより、イメージを表示するデバイスに関係なく、色が可能な限り正確に表示されます。これは、デジタル写真やWebデザインなど、さまざまなデバイス間で色の整合性が不可欠な分野で重要です。
PNG00が幅広いプラットフォーム やデバイスと互換性があることは、その重要な強みの1つです。ロスレス圧縮、透明度のサポート、カラーマネジメント機能を備えているため、最新のWebブラウザ、イメージ編集ソフトウェア、オペレーティングシステムで広くサポートされています。この普遍的な互換性により、PNG00フォーマットで保存されたイメージは、変換や特別なプラグインを必要とせずに、さまざまなコンテキストで確実に表示および編集できます。
その利点にもかかわらず、PNG00フォーマットには制限があります。最も顕著なのはファイルサイズです。ロスレス圧縮を使用するため、PNG00ファイルは一般的にロスレス圧縮を使用するJPEGファイルよりも大きくなります。これは、高速な読み込み時間が重要なWebアプリケーションでは大きな欠点となる可能性があります。このようなシナリオでは、開発者はイメージ品質の必要性と効率性の必要性のバランスを慎重に考慮し、可能な限りファイルサイズを削減するためにイメージスプライトなどのテクニックを使用したり、より低い色深度を選択したりすることがよくあります。
PNG00のもう1つの課題は、JPEGなどのより単純なフォーマットと比較したときの複雑さです。PNGで利用可能な豊富な機能とオプション（さまざまなチャンクタイプ、圧縮設定、カラーマネジメントなど）は、フォーマットに慣れていない人にとっては作業が面倒になる可能性があります。適切なツールと専門知識がなければ、この複雑さはPNG00ファイルの管理と配布における非効率性とエラーにつながる可能性があります。
さらに、PNG00はアルファ透明度とGIFよりも優れた圧縮を提供しますが、非常に単純 なグラフィックスや単一色の広い領域を持つイメージにはあまり適していません。このような場合、GIFやより新しいWebPなどのフォーマットは、品質を著しく低下させることなく、より効率的な圧縮を提供する場合があります。ただし、Webテクノロジーが進化し、帯域幅の制約が緩和されるにつれて、イメージ品質とファイルサイズのバランスは管理しやすくなり、デジタルイメージの保存と操作におけるPNG00の地位が固まります。
標準機能に加えて、PNG00ファイルには、より効率的にするためにいくつかの最適化を実行できます。PNGファイルを操作するツールとライブラリは、補助チャンクの削除、インデックス付きイメージのカラーパレットの最適化、または特定のイメージコンテンツにさらに適したフィルタリング戦略の調整を行うオプションをしばしば提供します。これらの最適化により、PNG00フォーマットの品質と互換性を維持しながら、ファイルサイズを大幅に削減できます。
PNG00ファイルの作成と編集には、これらの最適化とPNGフォーマットの基本原則を理解する必要があります。多くのイメージ編集ソフトウェアパッケージはPNGをサポートし、ユーザーに圧縮レベルの調整、特定のカラーフォーマット（トゥルーカラー、グレースケール、またはインデックスカラーなど）の選択、透明度設定の管理を行うオプションを提供します。Web開発者とグラフィックデザイナーにとって、これらのツールは、パフォーマンスと互換性を最適化しながら、プロジェクトの正確な要件を満たすイメージを作成するために不可欠です。
将来を見据えると、PNG00を含むPNGフォーマットは進化し続けています。Web標準が進化し、新しいイメージフォーマットが出現するにつれて、PNGフォーマットは新しい課題に対応するために拡張および適応されています。より優れたメタデータサポートのための新しいチャンクタイプの追加や、より小さなファイルサイズを実現するための圧縮アルゴリズムの強化などの取り組みが進行中です。これらの開発により、PNGはさまざまなコンテキストでデジタルイメージを保存および送信するための関連性が高く、強力なフォーマットであり続けます。
結論として、PNG00イメージフォーマットは、透明度とカラーマネジメントをサポートするロスレスフォーマットでイメージを保存するための堅牢なソリューションを提供します。品質と互換性のバランスが取れており、幅広いアプリケーションに適しています。ただし、ファイルサイズと複雑さの点で課題に直面しており、ユーザーは慎重に対処する必要があります。継続的な開発と最適化により、PNG00とより広範なPNGフォーマットはデジタルイメージングの分野で引き続き中心的な役割を果たし、Web開発者、グラフィックデザイナー、デジタルアーティストの進化するニーズに対応するソリューションを提供します。
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。