Optyczne rozpoznawanie znaków (OCR) zamienia obrazy tekstu — skany, zdjęcia ze smartfonów, pliki PDF — na ciągi znaków czytelne dla maszyn, a coraz częściej na dane strukturalne. Nowoczesne OCR to potok, który czyści obraz, znajduje tekst, odczytuje go i eksportuje bogate metadane, dzięki czemu systemy podrzędne mogą wyszukiwać, indeksować lub wyodrębniać pola. Dwa szeroko stosowane standardy wyjściowe to hOCR, mikroformat HTML dla tekstu i układu, oraz ALTO XML, schemat zorientowany na biblioteki/archiwa; oba zachowują pozycje, kolejność czytania i inne wskazówki dotyczące układu i są obsługiwane przez popularne silniki, takie jak Tesseract.
Przetwarzanie wstępne. Jakość OCR zaczyna się od czyszczenia obrazu: konwersji do skali szarości, odszumiania, progowania (binaryzacji) i prostowania. Kanoniczne samouczki OpenCV obejmują globalne, adaptacyjne i Otsu progowanie — podstawowe elementy dla dokumentów o nierównomiernym oświetleniu lub bimodalnych histogramach. Gdy oświetlenie zmienia się na stronie (pomyśl o zdjęciach z telefonu), metody adaptacyjne często przewyższają pojedynczy globalny próg; Otsu automatycznie wybiera próg, analizując histogram. Równie ważna jest korekcja nachylenia: prostowanie oparte na transformacji Hougha (Transformacja Hougha) w połączeniu z binaryzacją Otsu to powszechny i skuteczny przepis w produkcyjnych potokach przetwarzania wstępnego.
Wykrywanie a rozpoznawanie. OCR jest zazwyczaj podzielone na wykrywanie tekstu (gdzie jest tekst?) i rozpoznawanie tekstu (co on mówi?). W scenach naturalnych i wielu skanach w pełni konwolucyjne detektory, takie jak EAST skutecznie przewidują czworokąty na poziomie słów lub linii bez ciężkich etapów propozycji i są zaimplementowane w popularnych zestawach narzędzi (np. samouczek wykrywania tekstu OpenCV). Na złożonych stronach (gazety, formularze, książki) ważna jest segmentacja linii/regionów i wnioskowanie o kolejności czytania:Kraken implementuje tradycyjną segmentację stref/linii i neuronową segmentację linii bazowej, z wyraźnym wsparciem dla różnych pism i kierunków (LTR/RTL/pionowo).
Modele rozpoznawania. Klasyczny koń roboczy open-source Tesseract (udostępniony jako open-source przez Google, z korzeniami w HP) ewoluował z klasyfikatora znaków w sekwencyjny rozpoznawacz oparty na LSTM i może emitować przeszukiwalne pliki PDF, wyjścia przyjazne dla hOCR/ALTOi więcej z CLI. Nowoczesne rozpoznawacze opierają się na modelowaniu sekwencji bez wstępnie posegmentowanych znaków. Connectionist Temporal Classification (CTC) pozostaje fundamentalne, ucząc się dopasowań między sekwencjami cech wejściowych a sekwencjami etykiet wyjściowych; jest szeroko stosowane w potokach rozpoznawania pisma ręcznego i tekstu w scenach.
W ostatnich latach Transformery przekształciły OCR. TrOCR używa kodera Vision Transformer oraz dekodera Text Transformer, trenowanego na dużych korpusach syntetycznych, a następnie dostrajanego na rzeczywistych danych, z dużą wydajnością w testach porównawczych tekstu drukowanego, pisanego odręcznie i w scenach (zobacz także dokumentację Hugging Face). Równolegle niektóre systemy omijają OCR na rzecz zrozumienia na dalszym etapie: Donut (Document Understanding Transformer) to koder-dekoder bez OCR, który bezpośrednio generuje ustrukturyzowane odpowiedzi (takie jak JSON klucz-wartość) z obrazów dokumentów (repo, karta modelu), unikając kumulacji błędów, gdy oddzielny krok OCR zasila system IE.
Jeśli chcesz gotowe do użycia rozwiązanie do odczytu tekstu w wielu pismach, EasyOCR oferuje proste API z ponad 80 modelami językowymi, zwracając ramki, tekst i pewność — przydatne do prototypów i pism nielacińskich. W przypadku dokumentów historycznych Kraken wyróżnia się segmentacją linii bazowej i świadomą pisma kolejnością czytania; do elastycznego trenowania na poziomie linii, Calamari opiera się na dziedzictwie Ocropy (Ocropy) z rozpoznawaczami (multi-)LSTM+CTC i CLI do dostrajania niestandardowych modeli.
Generalizacja zależy od danych. W przypadku pisma ręcznego Baza danych pisma ręcznego IAM dostarcza zróżnicowane pod względem pisarzy zdania w języku angielskim do trenowania i oceny; jest to długoletni zestaw referencyjny do rozpoznawania linii i słów. W przypadku tekstu w scenach COCO-Text nałożył obszerne adnotacje na MS-COCO, z etykietami dla tekstu drukowanego/pisanego odręcznie, czytelnego/nieczytelnego, pisma i pełnych transkrypcji (zobacz także oryginalną stronę projektu). Dziedzina ta w dużym stopniu opiera się również na syntetycznym wstępnym trenowaniu: SynthText in the Wild renderuje tekst na fotografiach z realistyczną geometrią i oświetleniem, dostarczając ogromne ilości danych do wstępnego trenowania detektorów i rozpoznawaczy (odniesienie kod i dane).
Konkursy pod parasolem Robust Reading ICDAR utrzymują ocenę w ryzach. Ostatnie zadania kładą nacisk na wykrywanie/odczyt od końca do końca i obejmują łączenie słów w frazy, z oficjalnym kodem raportującym precyzję/odwołanie/F-score, przecięcie nad sumą (IoU) i metryki odległości edycji na poziomie znaków — odzwierciedlając to, co praktycy powinni śledzić.
OCR rzadko kończy się na czystym tekście. Archiwa i biblioteki cyfrowe preferują ALTO XML , ponieważ koduje on fizyczny układ (bloki/linie/słowa ze współrzędnymi) obok treści i dobrze współgra z opakowaniem METS. hOCR mikroformat, w przeciwieństwie do tego, osadza ten sam pomysł w HTML/CSS, używając klas takich jak ocr_line i ocrx_word, co ułatwia wyświetlanie, edycję i transformację za pomocą narzędzi internetowych. Tesseract udostępnia oba — np. generowanie hOCR lub przeszukiwalnych plików PDF bezpośrednio z CLI (przewodnik po wyjściu PDF); opakowania Pythona, takie jak pytesseract dodają wygody. Istnieją konwertery do tłumaczenia między hOCR a ALTO, gdy repozytoria mają stałe standardy przyjmowania — zobacz tę wyselekcjonowaną listę narzędzi formatu plików OCR.
Najsilniejszym trendem jest konwergencja: wykrywanie, rozpoznawanie, modelowanie języka, a nawet dekodowanie specyficzne dla zadania łączą się w zunifikowane stosy Transformerów. Wstępne trenowanie na dużych korpusach syntetycznych pozostaje mnożnikiem siły. Modele bez OCR będą agresywnie konkurować wszędzie tam, gdzie celem są ustrukturyzowane wyniki, a nie dosłowne transkrypcje. Spodziewaj się również wdrożeń hybrydowych: lekkiego detektora plus rozpoznawacza w stylu TrOCR dla długiego tekstu i modelu w stylu Donut dla formularzy i paragonów.
Tesseract (GitHub) · Dokumentacja Tesseract · Specyfikacja hOCR · Tło ALTO · Detektor EAST · Wykrywanie tekstu OpenCV · TrOCR · Donut · COCO-Text · SynthText · Kraken · Calamari OCR · ICDAR RRC · pytesseract · Pismo ręczne IAM · Narzędzia formatu plików OCR · EasyOCR
Optical Character Recognition (OCR) to technologia używana do konwersji różnych rodzajów dokumentów, takich jak zeskanowane dokumenty papierowe, pliki PDF lub obrazy zrobione cyfrowym aparatem fotograficznym, na edytowalne i przeszukiwalne dane.
OCR działa poprzez skanowanie obrazu wejściowego lub dokumentu, segmentację obrazu na indywidualne znaki, a następnie porównanie każdego znaku z bazą danych kształtów znaków za pomocą rozpoznawania wzorców lub rozpoznawania cech.
OCR jest używany w różnych sektorach i aplikacjach, w tym do digitalizacji wydrukowanych dokumentów, włączania usług tekst-na-mowę, automatyzacji procesów wprowadzania danych i pomocy osobom niewidomym w lepszej interakcji z tekstem.
Pomimo wielkiego postępu w technologii OCR, nie jest ona nieomylna. Dokładność może różnić się w zależności od jakości oryginalnego dokumentu i specyfiki używanego oprogramowania OCR.
Chociaż OCR jest głównie przeznaczony dla tekstu drukowanego, niektóre zaawansowane systemy OCR są także w stanie rozpoznać jasne, konsekwentne pismo odręczne. Jednak zazwyczaj rozpoznawanie pisma odręcznego jest mniej dokładne ze względu na dużą różnorodność indywidualnych stylów pisania.
Tak, wiele systemów oprogramowania OCR potrafi rozpoznawać wiele języków. Ważne jest jednak, aby upewnić się, że konkretny język jest obsługiwany przez oprogramowanie, którego używasz.
OCR to skrót od Optical Character Recognition i służy do rozpoznawania tekstu drukowanego, natomiast ICR, czyli Intelligent Character Recognition, jest bardziej zaawansowany i służy do rozpoznawania tekstu pisanego odręcznie.
OCR najlepiej radzi sobie z czytelnymi, łatwymi do odczytania fontami i standardowymi rozmiarami tekstu. Chociaż może pracować z różnymi fontami i rozmiarami, dokładność zwykle maleje przy niecodziennych fontach lub bardzo małych rozmiarach tekstu.
OCR może mieć problemy z dokumentami o niskiej rozdzielczości, złożonymi czcionkami, źle wydrukowanymi tekstami, pismem odręcznym oraz dokumentami z tłem, które przeszkadza w tekście. Ponadto, mimo że może obsługiwać wiele języków, nie jest w stanie idealnie pokryć wszystkich języków.
Tak, OCR potrafi skanować kolorowy tekst i tło, choć zazwyczaj jest skuteczniejszy w przypadku wysokokontrastowych kombinacji kolorów, takich jak czarny tekst na białym tle. Dokładność może spadać, gdy kolor tekstu i tła nie tworzą wystarczającego kontrastu.
Portable Document Format (PDF) to wszechstronny format plików opracowany przez Adobe Systems w 1993 roku. Jest przeznaczony do prezentacji dokumentów, w tym formatowania tekstu i obrazów, w sposób niezależny od oprogramowania, sprzętu i systemów operacyjnych. Pliki PDF mogą zawierać szeroką gamę treści, w tym tekst, czcionki, grafikę wektorową, obrazy rastrowe i inne informacje potrzebne do wyświetlania dokumentu w zamierzony sposób. Format ten stał się standardem wymiany dokumentów na różnych platformach i jest szeroko stosowany w biznesie, edukacji i administracji.
PDF obsługuje kilka typów obrazów, które można ogólnie podzielić na dwie grupy: obrazy wektorowe i obrazy rastrowe. Obrazy wektorowe składają się ze ścieżek zdefiniowanych przez równania matematyczne, co czyni je skalowalnymi bez utraty jakości. Są idealne do ilustracji, logo i tekstu. Obrazy rastrowe natomiast składają się z ustalonej siatki pikseli i są używane do fotografii i grafiki cyfrowej. Mogą tracić jakość po powiększeniu lub zmniejszeniu. Pliki PDF mogą zawierać oba typy obrazów i można je kompresować za pomocą różnych algorytmów, aby zmniejszyć rozmiar pliku bez znacznego pogorszenia jakości.
Gdy obraz jest osadzony w pliku PDF, jest zwykle kompresowany w celu zmniejszenia rozmiaru pliku. PDF obsługuje w tym celu kilka algorytmów kompresji. W przypadku obrazów rastrowych często stosuje się metody kompresji stratnej, takie jak JPEG, w przypadku fotografii, ponieważ mogą one znacznie zmniejszyć rozmiar pliku przy minimalnej widocznej utracie jakości. Metody kompresji bezstratnej, takie jak PNG i TIFF, są stosowane, gdy jakość obrazu jest najważniejsza. W przypadku obrazów wektorowych kompresja jest osiągana poprzez wykorzystanie wydajnych reprezentacji matematycznych ścieżek obrazu, a do zmniejszenia rozmiaru tych reprezentacji można zastosować algorytmy kompresji, takie jak ZIP.
Proces osadzania obrazu w pliku PDF obejmuje kilka kroków. Najpierw obraz jest kodowany za pomocą określonego algorytmu kompresji. Zakodowane dane obrazu są następnie osadzane w strukturze pliku PDF wraz z informacjami o wymiarach obrazu, rozdzielczości i przestrzeni kolorów. PDF przechowuje również informacje o tym, jak obraz powinien być renderowany, w tym wszelkie transformacje, takie jak skalowanie, obracanie lub przycinanie, które powinny być zastosowane podczas przeglądania lub drukowania dokumentu.
Zarządzanie kolorami jest ważnym aspektem obrazów PDF. Pliki PDF obsługują różne przestrzenie kolorów, takie jak DeviceRGB, DeviceCMYK i DeviceGray, a także bardziej zaawansowane przestrzenie kolorów, takie jak CalRGB i przestrzenie kolorów oparte na ICC, które umożliwiają dokładniejsze odwzorowanie kolorów na różnych urządzeniach. Gdy obraz jest osadzony w pliku PDF, jego przestrzeń kolorów jest zdefiniowana, a w razie potrzeby można osadzić profile kolorów, aby zapewnić spójne wyświetlanie kolorów na różnych urządzeniach.
Przezroczystość to kolejna funkcja obsługiwana przez obrazy PDF. Dzięki temu obrazy mogą mieć różne poziomy krycia, co można wykorzystać do tworzenia złożonych efektów wizualnych. Przezroczystość w plikach PDF jest obsługiwana za pomocą specjalnych trybów mieszania, które określają, w jaki sposób kolory obiektów przezroczystych są mieszane z kolorami obiektów znajdujących się za nimi. Ta funkcja jest szczególnie przydatna do nakładania obrazów na siebie lub do włączania tekstu, który nakłada się na obraz.
PDF obsługuje również dołączanie metadanych do plików obrazów. Metadane te mogą zawierać informacje o obrazie, takie jak autor, prawa autorskie, data utworzenia i słowa kluczowe. Informacje te mogą być przydatne do zarządzania dokumentami i ich wyszukiwania, a także do zapewnienia odpowiedniego uznania za wykorzystanie obrazów chronionych prawem autorskim. Metadane są przechowywane w standaryzowanym formacie w pliku PDF, dzięki czemu są łatwo dostępne i czytelne dla różnych aplikacji oprogramowania.
Bezpieczeństwo jest kluczową cechą formatu PDF i dotyczy to również obrazów w dokumentach PDF. Pliki PDF można szyfrować, a dostęp do nich można kontrolować za pomocą haseł. Oznacza to, że poufne obrazy osadzone w plikach PDF mogą być chronione przed nieautoryzowanym dostępem. Ponadto pliki PDF obsługują podpisy cyfrowe, które można wykorzystać do weryfikacji autentyczności i integralności dokumentu, w tym wszystkich zawartych w nim obrazów.
Format PDF jest również zaprojektowany pod kątem dostępności, co oznacza, że obsługuje funkcje, które sprawiają, że dokumenty są użyteczne dla osób niepełnosprawnych. W przypadku obrazów obejmuje to możliwość dołączania alternatywnych opisów tekstowych, które mogą być odczytywane przez czytniki ekranu. Dzięki temu informacje przekazywane przez obrazy są dostępne dla użytkowników z wadami wzroku.
Jeśli chodzi o drukowanie, pliki PDF są wysoce niezawodne ze względu na swoją samowystarczalną naturę. Wszystkie niezbędne informacje do dokładnego odtworzenia dokumentu, w tym obrazy, są osadzone w pliku. Oznacza to, że plik PDF będzie drukowany w ten sam sposób na każdej drukarce, niezależnie od używanego urządzenia lub oprogramowania. Jest to szczególnie ważne w przypadku dokumentów wymagających precyzyjnego układu i wysokiej jakości obrazów, takich jak broszury i magazyny.
Pliki PDF mogą być interaktywne, a dotyczy to również obrazów. Obrazy w pliku PDF mogą być hiperłączami, co oznacza, że kliknięcie obrazu może przenieść użytkownika do innej części dokumentu lub nawet do zewnętrznej witryny internetowej. Ponadto pliki PDF mogą zawierać pola formularzy, adnotacje i inne interaktywne elementy, które można powiązać z obrazami, co poprawia wrażenia użytkownika i funkcjonalność dokumentu.
Tworzenie i edycja plików PDF, w tym osadzanie i edycja obrazów, może odbywać się za pomocą różnych narzędzi programowych. Adobe Acrobat jest najbardziej znanym edytorem PDF, ale dostępnych jest wiele innych narzędzi, w tym opcje bezpłatne i typu open source. Narzędzia te umożliwiają użytkownikom wstawianie obrazów do plików PDF, zmienianie ich rozmiaru i przycinanie, dostosowywanie ich właściwości oraz wykonywanie innych zadań edycyjnych. Zaawansowane oprogramowanie do edycji plików PDF może również wykonywać rozpoznawanie znaków optycznych (OCR) na obrazach, konwertując tekst w obrazach na tekst przeszukiwalny i edytowalny.
Pod względem struktury pliku dokument PDF składa się z obiektów definiujących zawartość dokumentu. Obiekty te są zorganizowane w hierarchiczną strukturę znaną jako „drzewo obiektów” dokumentu. Obrazy są osadzane w tej strukturze jako „obiekty obrazów”. Każdy obiekt obrazu zawiera strumień skompresowanych danych obrazu, a także słownik definiujący właściwości obrazu, takie jak jego typ, szerokość, wysokość, przestrzeń kolorów i wszelkie filtry zastosowane do kompresji.
Specyfikacja PDF ewoluowała w czasie i jest obecnie utrzymywana przez Międzynarodową Organizację Normalizacyjną (ISO) jako ISO 32000. Ta standaryzacja zapewnia, że PDF pozostaje otwartym formatem i że dokumenty utworzone za pomocą różnych oprogramowań i platform mogą być niezawodnie wymieniane i przeglądane. Specyfikacja zawiera szczegółowe informacje na temat tego, jak obrazy powinny być formatowane i osadzane w plikach PDF, zapewniając spójność w szerokim zakresie oprogramowania, które może tworzyć i odczytywać dokumenty PDF.
Podsumowując, format obrazu PDF jest złożonym i bogatym w funkcje składnikiem standardu PDF. Obsługuje szeroką gamę typów obrazów i algorytmów kompresji, zaawansowane zarządzanie kolorami, przezroczystość i metadane. Pliki PDF zapewniają solidne funkcje bezpieczeństwa, opcje dostępności i niezawodne możliwości drukowania. Interaktywne funkcje obrazów PDF poprawiają wrażenia użytkownika, a standaryzowana struktura plików PDF zapewnia kompatybilność na różnych platformach i urządzeniach. W rezultacie PDF pozostaje jednym z najczęściej używanych formatów do wymiany dokumentów, a zrozumienie jego możliwości w zakresie obrazów jest niezbędne dla każdego, kto pracuje z dokumentami cyfrowymi.
Ten konwerter działa w całości w Twojej przeglądarce. Po wybraniu pliku jest on wczytywany do pamięci i konwertowany do wybranego formatu. Następnie możesz pobrać przekonwertowany plik.
Konwersje rozpoczynają się natychmiast, a większość plików jest konwertowana w mniej niż sekundę. Większe pliki mogą zająć więcej czasu.
Twoje pliki nigdy nie są przesyłane na nasze serwery. Są one konwertowane w Twojej przeglądarce, a następnie pobierany jest przekonwertowany plik. Nigdy nie widzimy Twoich plików.
Obsługujemy konwersję między wszystkimi formatami obrazów, w tym JPEG, PNG, GIF, WebP, SVG, BMP, TIFF i innymi.
Ten konwerter jest całkowicie darmowy i zawsze będzie darmowy. Ponieważ działa w Twojej przeglądarce, nie musimy płacić za serwery, więc nie musimy pobierać od Ciebie opłat.
Tak! Możesz konwertować dowolną liczbę plików jednocześnie. Wystarczy wybrać wiele plików podczas ich dodawania.