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。
スケーラブルベクターグラフィックス（SVG）は、XMLで2次元グラフィックスを記述するために広く使用されているマークアップ言語 です。JPEG、PNG、またはGIFなどのラスターグラフィックス形式は、画像を個々のピクセルのコレクションとして格納しますが、SVGは数学的な数式を使用して形状、線、色を定義します。この根本的な違いにより、SVGファイルは品質を損なうことなく任意のサイズに拡大縮小できるため、レスポンシブWebデザイン、複雑なイラスト、さまざまなデバイスや解像度で鮮明さを維持する必要があるロゴに最適です。
SVGグラフィックスは、2D空間の点で記述された円、長方形、多角形、パスなどのベクターシェイプと、SVGのマークアップ言語を使用して定義されたストローク、塗りつぶし、その他の視覚的プロパティで構成されています。SVGファイル内の各要素と属性は、SVGレンダリングモデルの一部に直接対応しており、グラフィックの外観を細かく制御できます。SVGファイルはプレーンテキストファイルであるため、任意のテキストエディタで作成および編集でき、さまざまなソフトウェアライブラリを使用してプログラムで生成および操作することもできます。
SVGの重要な機能の1つは、DOMインターフェイスです。SVG画像はHTMLドキュメントに直接埋め込むことができ、ドキュメントオブジェクトモデル（DOM）の一部になるため、HTML要素と同様に操作できます。この統合により、JavaScriptとCSSを介してSVG画像のプロパティを動的に変更でき、アニメーション、インタラクティビティ、グラフィックへのライブ更新が可能になります。たとえば、SVG要素の色、サイズ、または位置は、マウスの動きやクリックなどのユーザーの操作、またはグラフィックが表すデータの変更に応じて変更できます。
SVGは、グラデー ション、パターン、クリッピングパス、マスクなど、幅広いグラフィカルエフェクトをサポートしており、複雑な視覚表現を作成するための豊富なオプションを提供します。SVGには、ぼかし、色の操作、シャドウなどのフィルターエフェクトも含まれています。これらはCSSフィルターと同様の方法で定義されていますが、ベクターグラフィックス用に特別に設計されています。これらのエフェクトにより、開発者とデザイナーは洗練された視覚的強化をSVGマークアップ内に直接適用できるため、ラスター画像を使用せずに詳細なイラストやテクスチャ仕上げを実現できます。
インタラクティビティとアニメーションは、SVGの最も魅力的な用途の1つです。<animate>、<set>、<animateTransform>要素を使用すると、SVGは時間の経過に伴うグラフィックスの属性とプロパティをアニメーション化するための宣言構文を提供します。さらに、SVGとJavaScriptの統合によりアニメーション機能が拡張され、ユーザーの入力またはその他の動的イベントに反応するより複雑でインタラクティブなアニメーションが可能になります。これらの機能を組み合わせることで、Webテクノロジーのすべての機能を活用できる魅力的なWebアプリケーション、データビジュアライゼーション、インタラクティブなインフォグラフィックを作成できます。
アクセシビリティは、SVGのもう1つの重要な利点です。SVG画像内のテキストは選択および検索可能であり、テキストがフラット化されたラスター画像とは対照的です。この機能は、テキスト選択を可能にすることでユーザーエクスペリエンスを向上させるだけでなく、スクリーンリーダ ーがSVGグラフィックスに含まれるテキストを解釈して読み上げることができるため、ドキュメントのアクセシビリティも向上します。さらに、SVGは要素のセマンティックグループ化と記述タグをサポートしており、グラフィックの構造と目的を支援技術に伝えるのに役立ちます。
最適化と圧縮はWebパフォーマンスに不可欠であり、SVGファイルはこの分野でいくつかの利点を提供します。テキストベースであるため、SVGグラフィックスはGZIPを使用して大幅に圧縮でき、ファイルサイズを大幅に削減して読み込み時間を短縮できます。さらに、SVGはベクターベースであるため、特にシンプルなグラフィックスやアイコンの場合、高解像度のラスター画像よりも多くの場合、ストレージを必要としません。ただし、XMLの冗長性と、過度に複雑または非効率にコード化されたグラフィックスの可能性により、SVGファイルは必要以上に大きくなる可能性があります。そのため、SVGO（SVG Optimizer）などのツールは、不要なデータやフォーマットを削除してファイルを可能な限りコンパクトにするために、SVGファイルをクリーンアップして最適化するために一般的に使用されます。
SVGは、レスポンシブWebデザインでも重要な役割を果たします。そのスケーラビリティを考えると、SVGグラフィックスは、品質の低下やピクセル化の問題なしに、さまざまな画面サイズ、解像度、向きに簡単に適応できます。デザイナーは、属性とCSSを使用してSVG画像の応答性を制御し、グラフィックスがデスクトップモニターからスマートフォンまで、すべてのデバイスで鮮明でクリアに見えるようにします。この本質的なスケーラビリティにより、SVGは、さまざまな表示コンテキストで視覚的な整合性を維持する必要があるロゴ、アイコン、その他のグラフィックスに最適な選択肢となります。
多くの利点があるにもかかわらず、SVGには課題や制限がないわけではありません。たとえば、SVGは形状、線、テキストなどのグラフィカル要素の表現に優れていますが、写真など、何千もの色とグラデーションを持つ複雑な画像には適していません。このような場合は、JPEGやPNGなどのラスター形式がより適切です。さらに、SVGのパフォーマンスは、非常に複雑であったり、多数の要素が含まれているグラフィックスを処理する場合に低下する可能性があります。各要素はレンダリングされ、アニメーション化または操作される可能性があるためです。
さらに、クロスブラウザの互換性は、歴史的にSVGにとって課題でした。最新のWebブラウザはSVGのサポートを向上させていますが、異なるブラウザがSVGコンテンツを解釈して表示する方法にまだ一貫性がない場合があります。開発者は、すべてのプラットフォームでグラフィックスが正しく表示されるように、回避策またはフォールバックを実装する必要がある場合があります。アクセシビリティ機能は堅牢ですが、支援技術用のグラフィックスの適切なラベル付けと構造化など、SVGの機能を十分に活用するには慎重な実装が必要です。
SVGと他のWeb標準の統合により、Webデザイナーと開発者にとって幅広い可能性が開かれます。SVGはCSSでスタイルを設定でき、デザイナーはベクターグラフィックスに使い慣れたスタイルプロパティを適用できます。JavaScriptを使用して操作できるため、動的な変更とインタラクションが可能になります。さらに、SVGはXMLベースであるため、RSSフィードやXMLデータベースなどの他のXMLテクノロジーやデータ形式と組み合わせて使用できます。この統合により、SVGはデータビジュアライゼーションの強力なツールとなり、リアルタイムで更新される動的なデータ駆動型グラフィックスの生成が可能になります。
将来を見据えると、Web開発におけるSVGの役割は今後も拡大し続ける可能性があります。Webテクノロジーの進歩と、高品質でインタラクティブで応答性の高いグラフィックスに対する需要の高まりにより、SVGの使用におけるさらなる採用とイノベーションが促進されます。アニメーション構文の改善、アクセシビリティ機能の向上、パフォーマンスの最適化の強化などの新しい機能と機能が開発される可能性が高く、SVGは現代のWebデザインのさらに不可欠な要素になります。
結論として、SVGはWeb上でスケーラブルなベクターグラフィックスを作成および操作するための豊富な機能を提供します。品質を損なうことなく拡大縮小する機能と、インタラクティビティ、アニメーション、アクセシビリティのサポートが組み合わさることで、デザイナーと開発者にとって多用途のツールになります。クロスブラウザの互換性やパフォーマンスの考慮事項などの課題にもかかわらず、スケーラビリティ、応答性、Webテクノロジーとの統合という点でのSVGの利点は、動的で視覚的に魅力的なオンラインエクスペリエンスを作成するための貴重な資産となります。
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。