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。
WBMP（Wireless Bitmap）画像フォーマットは、初期の携帯電話やPDA（Personal Digital Assistants）などのグラフィカルおよび計算能力が限られたモバイルコ ンピューティングデバイス向けに最適化されたモノクロのグラフィックスファイルフォーマットです。1990年代後半に導入され、当時、今日のモバイルインターネット接続よりも大幅に遅く、信頼性の低かったワイヤレスネットワーク上でグラフィカル情報を効率的に送信する方法を提供するように設計されました。WBMPは、モバイルデバイスがWebコンテンツにアクセスできるようにするプロトコルスイートであるWAP（Wireless Application Protocol）の一部です。
WBMP画像は、グレースケールやカラーをサポートせず、完全に白と黒のピクセルで構成されています。この厳しい制限は、初期のモバイルデバイスの限られた表示機能と帯域幅を節約する必要性を反映した実用的な決定でした。WBMP画像の各ピクセルは、黒または白の2つの状態のいずれかにしかなりません。このバイナリの性質は画像データ構造を簡素化し、リソースが限られたデバイスでよりコンパクトで処理しやすくします。
WBMPフォーマットは比較的単純な構造に従っているため、さまざまなデバイスで簡単に解析してレンダリングできます。WBMPファイルは、エンコードされた画像の種類を示すタイプフィールドから始まります。標準のWBMPファイルの場合、このタイプフィールドは0に設定され、基本的なモノクロ画像を指定します。タイプフィールドに続いて、2つのマルチバイト整数フィールドが、それぞれ画像の幅と高さを指定します。これらは、必要に応じて寸法を表すために必要なバイト数のみを使用することで帯域幅を節約する可変長フォーマットを使用してエンコードされます。
ヘッダーセクションの後、WBMPファイルの本体にはピク セルデータが含まれます。各ピクセルは1ビットで表されます。白は0、黒は1です。このため、8ピクセルを1バイトにパックすることができ、WBMPファイルはJPEGやPNGなどの一般的なフォーマットと比較して非常にコンパクトになります。この効率性は、WBMPが設計されたモバイル時代のデバイスとネットワークにとって非常に重要であり、データストレージと伝送速度に厳しい制限が課されることがよくありました。
WBMPフォーマットの重要な強みの1つは、その単純さです。フォーマットのミニマリスト的なアプローチにより、ロゴ、シンプルなグラフィックス、様式化されたテキストなど、通常は伝達するために使用される基本的なアイコンのような画像に非常に効率的です。この効率性は、画像を表示するために必要な処理にも及びます。ファイルは小さく、フォーマットは単純なので、計算能力が非常に限られたハードウェアでもデコードとレンダリングをすばやく実行できます。これにより、WBMPは、より複雑またはデータ量の多い画像フォーマットに苦労することが多かった初期世代のモバイルデバイスに最適な選択肢となりました。
制約された環境での使用における利点にもかかわらず、WBMPフォーマットには大きな制限があります。最も明白なのは、モノクロ画像に限定されていることで、効果的に表現できるグラフィカルコンテンツの範囲が本質的に制限されます。モバイルデバイスのディスプレイがフルカラー画像をサポートするように進化し、ユーザーのより豊かなメディアコンテンツに対する期待が高まるにつれて、より汎用性の高い画像フォーマットの必要性が明らかになりました。さらに、WBMP画像のバイナリの性質は、グレースケールまたはカラー画像で可能なニュアンスと詳細を欠いていることを意味し、より詳細なグラフィックスや写真には適していません。
モバイルテクノロジーとネットワークインフラストラクチャの進歩により、WBMPフォーマットの関連性は低下しました。最新のスマートフォンは、WBMPフォーマットがもともと設計されたデバイスとはかけ離れた、強力なプロセッサと高解像度のカラーディスプレイを誇っています。同様に、今日のモバイルネットワークは大幅に高いデータ伝送速度を提供するため、JPEGやPNGなどのより複雑でデータ量の多い画像フォーマットの伝送が、リアルタイムのWebコンテンツでも可能になります。その結果、WBMPの使用は、これらのより高機能なフォーマットに取って代わられました。
さらに、Web標準とプロトコルの開発もWBMPの時代遅れに貢献しています。HTML5とCSS3の普及により、WBMPが提供できるよりも高品質で色再現性の高いフォーマットのベクターグラフィックスや画像を含む、はるかに洗練されたWebコンテンツをモバイルデバイスに配信できます。これらのテクノロジーにより、Web開発者は、さまざまなデバイスや画面サイズに適応する、詳細に富んだインタラクティブなコンテンツを作成でき、WBMPのように制限されたフォーマットを使用する実用性がさらに低下します。
時代遅れにもかかわらず、WBMPフォーマットを理解することは、モバイルコンピューティングの進化と、テクノロジーの制約がソフトウェアとプロトコルの設計にどのように影響するかについての貴重な洞察を提供します。WBMPフォーマットは、設計者とエンジ ニアが当時の制約の中で機能的なソリューションを作成するためにどのように取り組んだかを示す好例です。その単純さと効率性は、帯域幅、処理能力、ストレージが非常に重要で、データ圧縮と最適化に革新的なアプローチが必要だった時代を反映しています。
結論として、WBMP画像フォーマットは、モバイルコンピューティングの形成期に重要な役割を果たし、初期のモバイルデバイスでシンプルなグラフィカルコンテンツを送信して表示するための実用的なソリューションを提供しました。より汎用性が高く高機能な画像フォーマットに取って代わられていますが、モバイルテクノロジーの歴史の中で重要な部分であり続けています。それは、テクノロジーが絶えず進化し、変化する機能とユーザーのニーズに適応し、効率的かつ適応性の高いプロトコルとフォーマットを開発するための設計上の考慮事項の重要性を示しています。
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。