Оптическое распознавание символов (OCR) преобразует изображения текста — сканы, фотографии со смартфона, PDF-файлы — в машиночитаемые строки и, все чаще, в структурированные данные. Современное OCR — это конвейер, который очищает изображение, находит текст, читает его и экспортирует богатые метаданные, чтобы последующие системы могли искать, индексировать или извлекать поля. Два широко используемых стандарта вывода: hOCR, микроформат HTML для текст а и макета, и ALTO XML, схема, ориентированная на библиотеки/архивы; оба сохраняют позиции, порядок чтения и другие подсказки макета и поддерживаются популярными движками, такими как Tesseract.
Предварительная обработка. Качество OCR начинается с очистки изображения: преобразования в оттенки серого, удаления шума, пороговой обработки (бинаризации) и выравнивания. Канонические учебные пособия по OpenCV охватывают глобальную, адаптивную и пороговую обработку Оцу — основные методы для документов с неравномерным освещением или бимодальными гистограммами. Когда освещение меняется в пределах страницы (подумайте о снимках с телефона), адаптивные методы часто превосходят один глобальный порог; Оцу автоматически выбирает порог, анализируя гистограмму. Коррекция наклона не менее важна: выравнивание на основе преобразования Хафа (преобразование Хафа для линий) в паре с бинаризацией Оцу является распространенным и эффективным рецептом в производственных конвейерах предварительной обработки.
Обнаружение и распознавание. OCR обычно делится на обнаружение текста (где находится текст?) и распознавание текста (что он говорит?). В естественных сценах и многих сканах полностью сверточные детекторы, такие как EAST , эффективно предсказывают четырехугольники на уровне слов или строк без тяжелых этапов предложения и реализованы в общих наборах инструментов (например, учебное пособие по обнаружению текста в OpenCV). На сложных страницах (газеты, формы, книги) важны сегментация строк/областей и определение порядка чтения:Kraken реализует традиционную сегментацию зон/строк и нейронную сегментацию базовой линии с явной поддержкой различных письменностей и направлений (слева направо/справа налево/вертикально).
Модели распознавания. Классическая рабочая лошадка с открытым исходным кодом Tesseract (с открытым исходным кодом от Google, с корнями в HP) эволюционировала от классификатора символов до распознавателя последовательностей на основе LSTM и может выдавать PDF с возможностью поиска, выходные данные, дружественные к hOCR/ALTO, и многое другое из командной строки. Современные распознаватели полагаются на моделирование последовательностей без предварительно сегментированных символов. Коннективистская временная классификация (CTC) остается основополагающей, изучая выравнивания между последовательностями входных признаков и строками выходных меток; она широко используется в конвейерах для распознавания рукописного ввода и текста на сцене.
В последние несколько лет трансформеры изменили OCR. TrOCR и спользует кодировщик Vision Transformer и декодер Text Transformer, обученный на больших синтетических корпусах, а затем доработанный на реальных данных, с высокой производительностью на тестах печатного, рукописного и сценического текста (см. также документацию Hugging Face). Параллельно некоторые системы обходят OCR для последующего понимания: Donut (Document Understanding Transformer) — это кодировщик-декодер без OCR, который напрямую выводит структурированные ответы (например, JSON «ключ-значение») из изображений документов (репозиторий, карточка модели), избегая накопления ошибок, когда отдельный шаг OCR передает данные в систему извлечения информации.
Если вам нужно готовое решение для чтения текста на многих языках, EasyOCR предлагает простой API с более чем 80 языковыми моделями, возвращающий рамки, текст и достоверность — удобно для прототипов и нелатинских письменностей. Для исторических документов Kraken отличается сегментацией базовой линии и порядком чтения с учетом письменности; для гибкого обучения на уровне строк Calamari основан на наследии Ocropy (Ocropy) с распознавателями (multi-)LSTM+CTC и CLI для тонкой настройки пользовательских моделей.
Обобщение зависит от данных. Для рукописного ввода база данных рукописного ввода IAM предоставляет разнообразные по авторам английские предложения для обучения и оценки; это давний эталонный набор для распознавания строк и слов. Для текста на сцене COCO-Text наложил обширные аннотации на MS-COCO с метками для печатного/рукописного, разборчивого/неразборчивого, письменности и полных транскрипций (см. также оригинальную страницу проекта). Эта область также в значительной степени зависит от синтетического предварительного обучения: SynthText in the Wild визуализирует текст на фотографиях с реалистичной геометрией и освещением, предоставляя огромные объемы данных для предварительного обучения детекторов и распознавателей (ссылка на код и данные).
Соревнования под эгидой ICDAR’s Robust Reading сохраняют обоснованность оценки. Последние задачи подчеркивают сквозное обнаружение/чтение и включают связывание слов во фразы, с официальным кодом, сообщающим точность/полноту/F-меру, пересечение над объединением (IoU) и метрики расстояния редактирования на уровне символов, что отражает то, что должны отслеживать практики.
OCR редко заканчивается простым текстом. Архивы и цифровые библиотеки предпочитают ALTO XML , потому что он кодирует физический макет (блоки/строки/слова с координатами) вместе с содержимым, и он хорошо сочетается с упаковкой METS. Микроформат hOCR , напротив, встраивает ту же идею в HTML/CSS, используя классы, такие как ocr_line и ocrx_word, что упрощает отображение, редактирование и преобразование с помощью веб-инструментов. Tesseract предоставляет оба варианта, например, генерируя hOCR или PDF с возможностью поиска прямо из командной строки (руководство по выводу PDF); оболочки Python, такие как pytesseract , добавляют удобства. Существуют преобразователи для перевода между hOCR и ALTO, когда в репозиториях есть фиксированные стандарты приема — см. этот тщательно подобранный список инструментов для формата файлов OCR.
Самая сильная тенденция — это конвергенция: обнаружение, распознавание, языковое моделирование и даже декодирование для конкретных задач объединяются в единые стеки трансформеров. Предварительное обучение на больших синтетических корпусах остается мультипликатором силы. Модели без OCR будут агрессивно конкурировать везде, где целью являются структурированные выходные данные, а не дословные транскрипции. Ожидайте также гибридных развертываний: легкий детектор плюс распознаватель в стиле TrOCR для длинного текста и модель в стиле Donut для форм и квитанций.
Tesseract (GitHub) · Документация Tesseract · Спецификация hOCR · Фон ALTO · Детектор EAST · Обнаружение текста OpenCV · TrOCR · Donut · COCO-Text · SynthText · Kraken · Calamari OCR · ICDAR RRC · pytesseract · Рукописный ввод IAM · Инструменты формата файлов OCR · EasyOCR
Оптическое распознавание символов (OCR) - это технология, используемая для преобразования различных типов документов, таких как отсканированные бумажные документы, PDF-файлы или изображения, снятые цифровой камерой, в данные, которые можно редактировать и искать.
OCR сканирует входное изображение или документ, разбирает изображение на отдельные символы, а затем сравнивает каждый символ с базой данных форм символов, используя распознавание по образцу или распознавание по признакам.
OCR используется в различных отраслях и приложениях, включая цифровизацию печатных документов, использование услуг перевода текста в речь, автоматизацию процесса ввода данных и помощь людям с нарушениями зрения в более качественном взаимодействии с текстом.
Несмотря на значительные усовершенствования технологии OCR, она не абсолютно надежна. Точность может варьироваться в зависимости от качества исходного документа и конкретных характеристик используемого ПО OCR.
Хотя OCR в основном предназначен для распознавания печатного текста, некоторые продвинутые системы OCR также могут распознавать чистописание. Однако точность распознавания рукописного текста обычно ниже из-за вариативности индивидуальных стилей письма.
Да, многие программы OCR могут распознавать множество языков. Однако следует убедиться, что используемое вами программное обеспечение поддерживает конкретный язык.
OCR - это аббревиатура от Optical Character Recognition (оптическое распознавание символов), которое используется для распознавания печатного текста, в то время как ICR, или Intelligent Character Recognition (интеллектуальное распознавание символов), это более продвинутая технология, которая используется для распознавания рукописного те кста.
OCR наиболее эффективен при обработке четких, легко читаемых шрифтов и стандартных размеров текста. Хотя он способен распознавать различные шрифты и размеры, его точность может снизиться при обработке нестандартных шрифтов или очень мелкого текста.
У OCR может быть проблемы при обработке документов с низким разрешением, сложных шрифтов, текста с плохим качеством печати, рукописного текста или документов, где текст плохо сочетается с фоном. Кроме того, хотя OCR может распознавать многие языки, он может не покрывать все языки идеально.
Да, OCR может сканировать цветной текст и фоны, хотя он наиболее эффективен при работе с комбинациями цветов с высоким контрастом, такими как черный текст на белом фоне. Если контраст между цветом текста и фона недостаточен, точность может снизиться.
Формат изображений PICT, разработанный Apple Inc. в 1980-х годах, был предназначен в первую очередь для графических приложений на компьютерах Macintosh. Как критически важная часть графической инфраструктуры Mac OS, PICT служил не только как формат изображений, но и как сложная система для хранения и обработки векторной графики, растровых изображений и даже текста. Универсальность формата PICT, позволяющая ему хранить широкий спектр типов графических данных, сделала его фундаментальным инструментом в разработке и рендеринге графики на ранних платформах Macintosh.
В своей основе формат PICT отличается сложной структурой, которая предназначена для размещения как векторной, так и растровой графики в одном файле. Эта двойственность позволяет файлам PICT содержать подробные иллюстрации с масштабируемыми векторами, наряду с насыщенными пиксельными изображениями. Такая комбинация была особенно выгодна для графических дизайнеров и издателей, предлагая им высокую степень гибкости в создании и редактировании изображений с точностью и качеством, которые были непревзойденными в то время.
Ключевой особенностью формата PICT является использование опкодов или операционных кодов, которые управляют графической системой Macintosh QuickDraw для выполнения определенных задач. QuickDraw, являясь движком, стоящим за рендерингом изображений в Mac OS, интерпретирует эти опкоды для рисования фигур, заполнения узоров, установки свойств текста и управления композицией растровых и векторных элементов в изображении. Инкапсуляция этих инструкций в файле PICT позволяет динамически рендерить изображения, что было передовой функцией для своего времени.
Формат PICT поддерживает широкий спектр цветовых глубин, от 1-битного монохромного до 32-битного цветного изображения. Эта широкая поддержка позволила файлам PICT быть очень универсальными в своем применении, удовлетворяя различные возможности отображения и потребности пользователей. Кроме того, интеграция PICT с системой QuickDraw означала, что он мог эффективно использовать цветовые палитры и техники дизеринга, доступные на компьютерах Macintosh, тем самым гарантируя, что изображения будут выглядеть наилучшим образом на любом данном дисплее.
Сжатие в файлах PICT достигается с помощью различных методов, причем PackBits является широко используемой техникой для уменьшения размера файла растровых изображений без значительной потери качества. Кроме того, векторные элементы в файле PICT по своей сути требуют меньше места для хранения по сравнению с растровыми изображениями, что способствует эффективности формата в обработке сложной графики. Этот аспект PICT сделал его особенно подходящим для приложений, требующих хранения и обработки высококачественных изображений с управляемыми размерами файлов.
Обработка текста — еще одна грань, в которой формат PICT преуспевает, позволяя встраивать текст в изображение, сохраняя при этом стиль шрифта, размер и спецификации выравнивания. Эта возможность обеспечивается за счет сложного использования опкодов в формате для управления рендерингом текста, что делает файлы PICT идеальными для документов, требующих интегрированных графических и текстовых элементов. Возможность так легко комбинировать текст и графику была значительным преимуществ ом для издательских и дизайнерских приложений.
Файл PICT обычно начинается с заголовка размером 512 байт, зарезервированного для информации о файловой системе, за которым следуют фактические данные изображения, которые начинаются с определения размера и кадра. Кадр определяет границы изображения, эффективно устанавливая рабочее пространство, в котором должны быть отрисованы графика и текст. После определения кадра файл разделяется на серию опкодов, каждый из которых сопровождается своими конкретными данными, определяющими различные графические элементы и операции, которые должны быть выполнены.
В то время как формат PICT отличался гибкостью и функциональностью, его проприетарный характер и эволюция цифровой графики в конечном итоге привели к его упадку. Появление более открытых и универсальных форматов, способных обрабатывать сложную графику с лучшими алгоритмами сжатия и кроссплатформенной совместимостью, такими как PNG и SVG, сделало PICT менее распространенным. Несмотря на это, формат PICT остается важной вехой в истории цифровой графики, воплощая новаторский дух своей эпохи и стремление к бесшовной интеграции векторной и растровой графики.
Одним из самых убедительных аспектов формата PICT был его дальновидный дизайн с точки зрения масштабируемости и сохранения качества. В отличие от чисто растровых форматов, которые теряют четкость при масштабировании, векторные компоненты в файле PICT можно было изменять без ущерба для их качества. Эта функция была особенно полезна для печатных материалов, где возможность масштабирования изображений вверх или вниз для соответствия различным макетам без ухудшения была решающей.
В образовательной и профессиональной сфере файлы PICT нашли нишу, где их уникальные возможности высоко ценились. Например, в настольных издательских системах и графическом дизайне, где точность и качество были первостепенными, PICT предлагал решения, которые другие форматы в то время не могли. Его способность обрабатывать сложные композиции текста, графики и изображений с высокой точностью сделала его универсальным форматом для широкого спектра приложений, от информационных бюллетеней и брошюр до сложных графических дизайнов.
Однако технические препятствия подчеркнули проблемы формата PICT в более широкой совместимости и адаптивности за пределами экосистемы Macintosh. По мере развития цифровых технологий росла потребность в более универсально совместимых форматах. Необходимость легкого обмена графикой на разных платформах и в разных операционных средах привела к постепенному снижению популярности PICT. Кроме того, растущая популярность Интернета и веб-публикаций требовала форматов изображений, оптимизированных для быстрой загрузки и широкой совместимости, критерии, по которым такие форматы, как JPEG и GIF, предлагали лучшие решения.
Несмотря на его конечное устаревание, формат PICT сыграл формирующую роль в развитии цифровой обработки изображений и графического дизайна. Он продемонстрировал на раннем этапе важность универсального формата, способного эффективно обрабатывать различные типы графических данных. Более того, философские основы PICT — в частности, его интеграция векторной и растровой графики — повлияли на дизайн последующих форматов изображений и графических систем, подчеркивая его неизменное влияние на эту область.
Оглядываясь назад, хотя формат PICT больше не может широко использоваться, его наследие сохраняется в принципах, которые он отстаивал, и в инновациях, которые он внедрил. Акцент на универсальности, качестве и гармоничном сочетании различных графических элементов в одном файле создал прецедент, который продолжает влиять на развитие цифровой графики. Таким образом, хотя более новые форматы превзошли PICT с точки зрения популярности и полезности, основополагающие идеи, лежащие в основе PICT, продолжают находить отклик в области графического дизайна и цифровой обработки изображений.
Заглядывая в будущее, уроки, извлеченные из разработки и использования формата PICT, подчеркивают постоянно меняющуюся природу технологии цифровой обработки изображений. Переход от PICT к более продвинутым форматам отражает постоянное стремление отрасли к эффективности, совместимости и качеству в цифровой обработке изображений. Таким образом, понимание истории и технических тонкостей PICT не только дает представление об истории компьютерной графики, но и подчеркивает важность адаптивности и инноваций в освоении будущего цифровых медиа.
Этот конвертер полностью работает в вашем браузере. Когда вы выбираете файл, он загружается в память и преобразуется в выбранный формат. Затем вы можете скачать преобразованный файл.
Преобразования начинаются мгновенно, и большинство файлов преобразуются за считанные секунды. Более крупные файлы могут занимать больше времени.
Ваши файлы никогда не загружаются на наши серверы. Они преобразуются в вашем браузере, а затем скачиваются. Мы никогда не видим ваши файлы.
Мы поддерживаем преобразование между всеми форматами изображений, включая JPEG, PNG, GIF, WebP, SVG, BMP, TIFF и другие.
Этот конвертер полностью бесплатен и всегда будет бесплатным. Поскольку он работает в вашем браузere, нам не нужно платить за серверы, поэтому мы не взимаем плату с вас.
Да! Вы можете преобразовать сколько угодно файлов одновременно. Просто выберите несколько файлов при их добавлении.