OCR dowolnego DXT1
Przeciągnij i upuść lub kliknij, aby wybrać
Prywatne i bezpieczne
Wszystko dzieje się w Twojej przeglądarce. Twoje pliki nigdy nie dotykają naszych serwerów.
Błyskawicznie
Bez przesyłania, bez czekania. Konwertuj w momencie upuszczenia pliku.
Rzeczywiście za darmo
Nie wymaga konta. Brak ukrytych kosztów. Brak sztuczek z rozmiarem pliku.
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.
Szybka wycieczka po potoku
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.
Silniki i biblioteki
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.
Zbiory danych i testy porównawcze
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 stron ę 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.
Formaty wyjściowe i dalsze wykorzystanie
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.
Praktyczne wskazówki
- Zacznij od danych i czystości. Jeśli Twoje obrazy to zdjęcia z telefonu lub skany o mieszanej jakości, zainwestuj w progowanie (adaptacyjne i Otsu) i prostowanie (Hough) przed jakimkolwiek dostrajaniem modelu. Często zyskasz więcej dzięki solidnemu przepisowi na przetwarzanie wstępne niż dzięki wymianie rozpoznawaczy.
- Wybierz odpowiedni detektor. W przypadku zeskanowanych stron z regularnymi kolumnami wystarczający może być segmentator stron (strefy → linie); w przypadku obrazów naturalnych detektory jednokrotne, takie jak EAST są silnymi punktami odniesienia i można je podłączyć do wielu zestawów narzędzi (przykład OpenCV).
- Wybierz rozpoznawacz pasujący do Twojego tekstu. W przypadku drukowanego tekstu łacińskiego Tesseract (LSTM/OEM) jest solidny i szybki; w przypadku wielu pism lub szybkich prototypów EasyOCR jest produktywny; w przypadku pisma ręcznego lub historycznych krojów pisma rozważ Kraken lub Calamari i zaplanuj dostrajanie. Jeśli potrzebujesz ścisłego powiązania ze zrozumieniem dokumentów (ekstrakcja klucz-wartość, VQA), oceń TrOCR (OCR) w porównaniu z Donut (bez OCR) na swoim schemacie — Donut może usunąć cały krok integracji.
- Mierz to, co ma znaczenie. W przypadku systemów od końca do końca raportuj wykrywanie F-score i rozpoznawanie CER/WER (oba oparte na odległości edycji Levenshteina ; zobacz CTC); w przypadku zadań z dużą ilością układu śledź IoU/ciasność i znormalizowaną odległość edycji na poziomie znaków, jak w zestawach ewaluacyjnych ICDAR RRC .
- Eksportuj bogate wyniki. Preferuj hOCR /ALTO (lub oba), aby zachować współrzędne i kolejność czytania — kluczowe dla podświetlania trafień wyszukiwania, ekstrakcji tabel/pól i pochodzenia. CLI Tesseracta i pytesseract sprawiają, że jest to jedno polecenie.
Patrząc w przyszłość
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.
Dalsza lektura i narzędzia
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
Często zadawane pytania
Czym jest OCR?
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.
Jak działa OCR?
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.
Jakie są praktyczne zastosowania OCR?
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.
Czy OCR jest zawsze w 100% dokładny?
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.
Czy OCR rozpoznaje pismo odręczne?
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.
Czy OCR obsługuje wiele języków?
Tak, wiele systemów oprogramowania OCR potrafi rozpoznawać wiele języków. Ważne jest jednak, aby upewnić się, że konkretny język jest obsługiwany przez oprogramowanie, którego używasz.
Jaka jest różnica między OCR a ICR?
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.
Czy OCR działa z dowolnym fontem i rozmiarem tekstu?
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.
Jakie są ograniczenia technologii OCR?
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.
Czy OCR potrafi skanować kolorowy tekst lub tło?
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.
Jaki jest format DXT1?
Powierzchnia DirectDraw Microsoftu
Format kompresji DXT1, część rodziny DirectX Texture (DirectXTex), stanowi znaczący krok naprzód w technologii kompresji obrazu, zaprojektowanej specjalnie dla grafiki komputerowej. Jest to stratna technika kompresji, która równoważy jakość obrazu z wymaganiami dotyczącymi pamięci masowej, dzięki czemu jest wyjątkowo dobrze dostosowana do aplikacji 3D w czasie rzeczywistym, takich jak gry, w których zarówno przestrzeń dyskowa, jak i przepustowość są cennymi towarami. W swojej istocie format DXT1 kompresuje dane tekstury do ułamka jej pierwotnego rozmiaru bez konieczności dekompresji w czasie rzeczywistym, zmniejszając w ten sposób zużycie pamięci i zwiększając wydajność.
DXT1 działa na blokach pikseli, a nie na pojedynczych pikselach. Dokładniej przetwarza bloki 4x4 pikseli, kompresując każdy blok do 64 bitów. To podejście, kompresja oparta na blokach, umożliwia DXT1 znaczne zmniejszenie ilości danych potrzebnych do przedstawienia obrazu. Istota kompresji w DXT1 polega na jego zdolności do znalezienia równowagi w reprezentacji kolorów w każdym bloku, zachowując w ten sposób jak najwięcej szczegółów przy jednoczesnym osiągnięciu wysokich współczynników kompresji.
Proces kompresji DXT1 można podzielić na kilka kroków. Po pierwsze, identyfikuje dwa kolory w bloku, które najlepiej reprezentują ogólny zakres kolorów bloku. Kolory te są wybierane na podstawie ich zdolności do objęcia zmienności kolorów w bloku i są przechowywane jako dwa 16-bitowe kolory RGB. Pomimo mniejszej głębi bitowej w porównaniu z oryginalnymi danymi obrazu, ten krok zapewnia zachowanie najważniejszych informacji o kolorze.
Po określeniu dwóch kolorów podstawowych DXT1 używa ich do wygenerowania dwóch dodatkowych kolorów, tworząc łącznie cztery kolory, które będą reprezentować cały blok. Te dodatkowe kolory są obliczane za pomocą interpolacji liniowej, procesu, który miesza dwa kolory podstawowe w różnych proporcjach. Dokładniej, trzeci kolor jest generowany przez równomierne zmieszanie dwóch kolorów podstawowych, podczas gdy czwarty kolor jest albo mieszanką faworyzującą pierwszy kolor, albo czystą czernią, w zależności od wymagań dotyczących przezroczystości tekstury.
Po określeniu czterech kolorów następny krok obejmuje mapowanie każdego piksela w oryginalnym bloku 4x4 do najbliższego koloru spośród czterech wygenerowanych kolorów. To mapowanie odbywa się za pomocą prostego algorytmu najbliższego sąsiada, który oblicza odległość między oryginalnym kolorem piksela a czterema kolorami reprezentatywnymi, przypisując piksel do najbliższego dopasowania. Proces ten skutecznie kwantyzuje oryginalną przestrzeń kolorów bloku do czterech różnych kolorów, co jest kluczowym czynnikiem w osiągnięciu kompresji DXT1.
Ostatnim krokiem w procesie kompresji DXT1 jest kodowanie informacji o mapowaniu kolorów wraz z dwoma oryginalnymi kolorami wybranymi dla bloku. Dwa oryginalne kolory są przechowywane bezpośrednio w skompresowanych danych bloku jako wartości 16-bitowe. Tymczasem mapowanie każdego piksela do jednego z czterech kolorów jest kodowane jako seria indeksów 2-bitowych, przy czym każdy indeks wskazuje na jeden z czterech kolorów. Indeksy te są pakowane razem i obejmują pozostałe bity 64-bitowego bloku. Powstały skompresowany blok zawiera zatem zarówno informacje o kolorze, jak i mapowanie niezbędne do odtworzenia wyglądu bloku podczas dekompresji.
Dekompresja w DXT1 jest zaprojektowana jako prosty i szybki proces, dzięki czemu jest wysoce odpowiednia dla aplikacji w czasie rzeczywistym. Prostota algorytmu dekompresji pozwala na jego wykonanie przez sprzęt w nowoczesnych kartach graficznych, co dodatkowo zmniejsza obciążenie procesora i przyczynia się do wydajności tekstur skompresowanych DXT1. Podczas dekompresji dwa oryginalne kolory są pobierane z danych bloku i używane wraz z indeksami 2-bitowymi do odtworzenia koloru każdego piksela w bloku. W razie potrzeby ponownie stosuje się metodę interpolacji liniowej w celu uzyskania kolorów pośrednich.
Jedną z zalet DXT1 jest znaczna redukcja rozmiaru pliku, która może wynosić nawet 8:1 w porównaniu z nieskompresowanymi 24-bitowymi teksturami RGB. Ta redukcja nie tylko oszczędza miejsce na dysku, ale także zmniejsza czas ładowania i zwiększa potencjał różnorodności tekstur w ramach danego budżetu pamięci. Co więcej, korzyści wydajnościowe DXT1 nie ograniczają się do oszczędności pamięci masowej i przepustowości; poprzez zmniejszenie ilości danych, które muszą być przetwarzane i przesyłane do procesora graficznego, przyczynia się również do szybszych prędkości renderowania, co czyni go idealnym formatem do gier i innych aplikacji intensywnie korzystających z grafiki.
Pomimo swoich zalet DXT1 nie jest pozbawiony ograniczeń. Najbardziej zauważalnym jest potencjał widocznych artefaktów, szczególnie w teksturach o wysokim kontraście kolorów lub złożonych szczegółach. Artefakty te wynikają z procesu kwantyzacji i ograniczenia do czterech kolorów na blok, które mogą nie dokładnie reprezentować pełnego zakresu kolorów oryginalnego obrazu. Ponadto wymóg wyboru dwóch kolorów reprezentatywnych dla każdego bloku może prowadzić do problemów z pasmowaniem kolorów, w których przejścia między kolorami stają się zauważalnie gwałtowne i nienaturalne.
Co więcej, obsługa przezroczystości w formacie DXT1 dodaje kolejną warstwę złożoności. DXT1 obsługuje 1-bitową przezroczystość alfa, co oznacza, że piksel może być całkowicie przezroczysty lub całkowicie nieprzezroczysty. To binarne podejście do przezroczystości jest implementowane poprzez wybranie jednego z wygenerowanych kolorów do reprezentowania przezroczystości, zwykle czwartego koloru, jeśli pierwsze dwa kolory są wybrane tak, że ich kolejność liczbowa jest odwrócona. Chociaż pozwala to na pewien poziom przezroczystości w teksturach, jest ona dość ograniczona i może prowadzić do ostrych krawędzi wokół przezroczystych obszarów, co czyni ją mniej odpowiednią dla szczegółowych efektów przezroczystości.
Programiści pracujący ze skompresowanymi teksturami DXT1 często stosują różne techniki w celu złagodzenia tych ograniczeń. Na przykład staranny projekt tekstury i zastosowanie ditheringu może pomóc zmniejszyć widoczność artefaktów kompresji i pasmowania kolorów. Ponadto, zajmując się przezroczystością, programiści mogą zdecydować się na użycie oddzielnych map tekstur dla danych przezroczystości lub wybrać inne formaty DXT, które oferują bardziej niuansową obsługę przezroczystości, takie jak DXT3 lub DXT5, dla tekstur, w których wysokiej jakości przezroczystość jest kluczowa.
Szerokie przyjęcie DXT1 i jego włączenie do interfejsu API DirectX podkreśla jego znaczenie w dziedzinie grafiki w czasie rzeczywistym. Jego zdolność do utrzymania równowagi między jakością a wydajnością uczyniła go podstawą w branży gier, gdzie efektywne wykorzystanie zasobów jest często kluczową kwestią. Poza grami DXT1 znajduje zastosowanie w różnych dziedzinach wymagających renderowania w czasie rzeczywistym, takich jak rzeczywistość wirtualna, symulacja i wizualizacja 3D, podkreślając jego wszechstronność i skuteczność jako formatu kompresji.
W miarę postępu technologicznego ewolucja technik kompresji tekstur trwa, a nowsze formaty starają się rozwiązać ograniczenia DXT1, jednocześnie wykorzystując jego mocne strony. Postępy w sprzęcie i oprogramowaniu doprowadziły do rozwoju formatów kompresji, które oferują wyższą jakość, lepszą obsługę przezroczystości i bardziej wydajne algorytmy kompresji. Jednak dziedzictwo DXT1 jako pionierskiego formatu w kompresji tekstur pozostaje niekwestionowane. Jego zasady projektowania i kompromisy, które ucieleśnia między jakością, wydajnością i wydajnością pamięci masowej, nadal wpływają na rozwój przyszłych technologii kompresji.
Podsumowując, format obrazu DXT1 stanowi znaczący rozwój w dziedzinie kompresji tekstur, zapewniając skuteczną równowagę między jakością obrazu a zużyciem pamięci. Chociaż ma swoje ograniczenia, szczególnie w zakresie wierności kolorów i obsługi przezroczystości,
Obsługiwane formaty
AAI.aai
Obraz AAI Dune
AI.ai
Adobe Illustrator CS2
AVIF.avif
Format plików obrazów AV1
BAYER.bayer
Surowy obraz Bayera
BMP.bmp
Obraz bitmapy Microsoft Windows
CIN.cin
Plik obrazu Cineon
CLIP.clip
Maska klipu obrazu
CMYK.cmyk
Surowe próbki cyjanu, magenty, żółtego i czarnego
CUR.cur
Ikona Microsoftu
DCX.dcx
ZSoft IBM PC wielostronicowy Paintbrush
DDS.dds
Powierzchnia DirectDraw Microsoftu
DPX.dpx
Obraz SMTPE 268M-2003 (DPX 2.0)
DXT1.dxt1
Powierzchnia DirectDraw Microsoftu
EPDF.epdf
Załączony format dokumentu przenośnego
EPI.epi
Format wymiany Adobe Encapsulated PostScript
EPS.eps
Adobe Encapsulated PostScript
EPSF.epsf
Adobe Encapsulated PostScript
EPSI.epsi
Format wymiany Adobe Encapsulated PostScript
EPT.ept
Encapsulated PostScript z podglądem TIFF
EPT2.ept2
Encapsulated PostScript Level II z podglądem TIFF
EXR.exr
Obraz o wysokim zakresie dynamiki (HDR)
FF.ff
Farbfeld
FITS.fits
Elastyczny system transportu obrazów
GIF.gif
Format wymiany grafiki CompuServe
HDR.hdr
Obraz o wysokim zakresie dynamiki
HEIC.heic
Kontener obrazu wysokiej wydajności
HRZ.hrz
Slow Scan TeleVision
ICO.ico
Ikona Microsoftu
ICON.icon
Ikona Microsoftu
J2C.j2c
Strumień kodu JPEG-2000
J2K.j2k
Strumień kodu JPEG-2000
JNG.jng
Grafika sieciowa JPEG
JP2.jp2
Składnia formatu plików JPEG-2000
JPE.jpe
Format JFIF Joint Photographic Experts Group
JPEG.jpeg
Format JFIF Joint Photographic Experts Group
JPG.jpg
Format JFIF Joint Photographic Experts Group
JPM.jpm
Składnia formatu plików JPEG-2000
JPS.jps
Format JPS Joint Photographic Experts Group
JPT.jpt
Składnia formatu plików JPEG-2000
JXL.jxl
Obraz JPEG XL
MAP.map
Baza danych obrazów wielorozdzielczościowych (MrSID)
MAT.mat
Format obrazu MATLAB level 5
PAL.pal
Pikselmapa Palm
PALM.palm
Pikselmapa Palm
PAM.pam
Powszechny format bitmapy 2-wymiarowej
PBM.pbm
Przenośny format bitmapy (czarno-biały)
PCD.pcd
Photo CD
PCT.pct
Apple Macintosh QuickDraw/PICT
PCX.pcx
ZSoft IBM PC Paintbrush
PDB.pdb
Format ImageViewer bazy danych Palm
PDF.pdf
Przenośny format dokumentu
PDFA.pdfa
Format archiwum przenośnego dokumentu
PFM.pfm
Przenośny format float
PGM.pgm
Przenośny format szarej mapy (szarej skali)
PGX.pgx
Nieskompresowany format JPEG 2000
PICT.pict
Apple Macintosh QuickDraw/PICT
PJPEG.pjpeg
Format JFIF Grupy Ekspertów Fotografii Wspólnych
PNG.png
Przenośna grafika sieciowa
PNG00.png00
PNG dziedziczący głębię bitów, typ koloru z oryginalnego obrazu
PNG24.png24
Nieprzezroczysty lub binarnie przezroczysty 24-bitowy RGB (zlib 1.2.11)
PNG32.png32
Nieprzezroczysty lub binarnie przezroczysty 32-bitowy RGBA
PNG48.png48
Nieprzezroczysty lub binarnie przezroczysty 48-bitowy RGB
PNG64.png64
Nieprzezroczysty lub binarnie przezroczysty 64-bitowy RGBA
PNG8.png8
Nieprzezroczysty lub binarnie przezroczysty 8-bitowy indeksowany
PNM.pnm
Przenośna dowolna mapa
PPM.ppm
Przenośny format pikselmapy (kolor)
PS.ps
Plik Adobe PostScript
PSB.psb
Duży format dokumentu Adobe
PSD.psd
Bitmapa Adobe Photoshop
RGB.rgb
Surowe próbki czerwieni, zieleni i niebieskiego
RGBA.rgba
Surowe próbki czerwieni, zieleni, niebieskiego i alfa
RGBO.rgbo
Surowe próbki czerwieni, zieleni, niebieskiego i krycia
SIX.six
Format grafiki DEC SIXEL
SUN.sun
Rasterfile Sun
SVG.svg
Skalowalna grafika wektorowa
TIFF.tiff
Format pliku obrazu z tagami
VDA.vda
Obraz Truevision Targa
VIPS.vips
Obraz VIPS
WBMP.wbmp
Obraz bitmapy bezprzewodowej (poziom 0)
WEBP.webp
Format obrazu WebP
YUV.yuv
CCIR 601 4:1:1 lub 4:2:2
Często zadawane pytania
Jak to działa?
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.
Ile czasu zajmuje konwersja pliku?
Konwersje rozpoczynają się natychmiast, a większość plików jest konwertowana w mniej niż sekundę. Większe pliki mogą zająć więcej czasu.
Co dzieje się z moimi plikami?
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.
Jakie typy plików mogę konwertować?
Obsługujemy konwersję między wszystkimi formatami obrazów, w tym JPEG, PNG, GIF, WebP, SVG, BMP, TIFF i innymi.
Ile to kosztuje?
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.
Czy mogę konwertować wiele plików jednocześnie?
Tak! Możesz konwertować dowolną liczbę plików jednocześnie. Wystarczy wybrać wiele plików podczas ich dodawania.