การรู้จำอักขระด้วยแสง (OCR) เปลี่ยนรูปภาพของข้อความ—สแกน, ภาพถ่ายจากสมาร์ทโฟน, PDF—เป็นสตริงที่เครื่องอ่านได้ และ, เพิ่มมากขึ้น, ข้อมูลที่มีโครงสร้าง. OCR สมัยใหม่เป็นไปป์ไลน์ที่ทำความสะอาดรูปภาพ, ค้นหาข้อความ, อ่าน, และส่งออกเมทาดาทาที่สมบูรณ์ เพื่อให้ระบบดาวน์สตรีมสามารถค้นหา, จัดทำดัชนี, หรือดึงข้อมูลฟิลด์ได้. สองมาตรฐานเอาต์พุตที่ใช้กันอย่างแพร่หลายคือ hOCR, ไมโครฟอร์แมต HTML สำหรับข้อความและเลย์เอาต์, และ ALTO XML, สกีมาที่มุ่งเน้นไลบรารี/หอจดหมายเหตุ; ทั้งสองรักษาสถานะ, ลำดับการอ่าน, และสัญลักษณ์เลย์เอาต์อื่น ๆ และ ได้รับการสนับสนุนจากเครื่องมือยอดนิยมเช่น Tesseract.
การประมวลผลเบื้องต้น. คุณภาพของ OCR เริ่มต้นด้วยการทำความสะอาดภาพ: การแปลงเป็นสีเทา, การลดสัญญาณรบกวน, การกำหนดค่าขีดแบ่ง (การทำให้เป็นไบนารี), และการปรับแก้ความเอียง. บทเรียน OpenCV แบบบัญญัติครอบคลุมทั่วโลก, การปรับตัว และ Otsu การกำหนดค่าขีดแบ่ง—ซึ่งเป็นส่วนสำคัญสำหรับเอกสารที่มีแสงไม่สม่ำเสมอหรือฮิสโตแกรมแบบสองโหมด. เมื่อความสว่างแตกต่างกันไป ภายในหน้า (นึกถึงภาพถ่ายจากโทรศัพท์), วิธีการปรับตัวมักจะทำงานได้ดีกว่าการกำหนดค่าขีดแบ่งทั่วโลกเพียงค่าเดียว; Otsu จะเลือกค่าขีดแบ่งโดยอัตโนมัติโดยการวิเคราะห์ฮิสโตแกรม. การแก้ไขความเอียงก็มีความสำคัญเท่าเทียมกัน: การปรับแก้ความเอียงโดยใช้ Hough (การแปลงเส้นตรง Hough) ควบคู่กับการทำให้เป็นไบนารีของ Otsu เป็นสูตรทั่วไปและมีประสิทธิภาพในไปป์ไลน์การประมวลผลเบื้องต้นในการผลิต.
การตรวจจับกับการรู้จำ. OCR โดยทั่วไปแบ่งออกเป็น การตรวจจับข้อความ (ข้อความอยู่ที่ไหน ?) และ การรู้จำข้อความ (มันพูดว่าอะไร?). ในฉากธรรมชาติและการสแกนจ ำนวนมาก, ตัวตรวจจับแบบคอนโวลูชันเต็มรูปแบบ เช่น EAST ทำนายรูปสี่เหลี่ยมระดับคำหรือบรรทัดได้อย่างมีประสิทธิภาพโดยไม่มีขั้นตอนการเสนอที่หนักหน่วงและถูกนำไปใช้ใน ชุดเครื่องมือทั่วไป (เช่น, บทแนะนำการตรวจจับข้อความของ OpenCV). บนหน้าที่ซับซ้อน (หนังสือพิมพ์, แบบฟอร์ม, หนังสือ), การแบ่งส่วนของบรรทัด/ภูมิภาคและการอนุมานลำดับการอ่านมีความสำคัญ:Kraken ใช้การแบ่งส่วนโซน/บรรทัดแบบดั้งเดิมและการแบ่งส่วน เส้นฐาน แบบประสาท, พร้อมการสนับสนุนที่ชัดเจน สำหรับสคริปต์และทิศทางที่แตกต่างกัน (LTR/RTL/แนวตั้ง).
โมเดลการรู้จำ. ม้างานโอเพนซอร์สคลาสสิก Tesseract (โอเพนซอร์สโดย Google, มีรากฐานที่ HP) พัฒน าจากตัวแยกประเภทอักขระเป็นตัวรู้จำลำดับ ที่ใช้ LSTM และสามารถส่งออก PDF ที่ค้นหาได้, เอาต์พุตที่เป็นมิตรกับ hOCR/ALTO, และอื่น ๆ จาก CLI. ตัวรู้จำสมัยใหม่พึ่งพาการสร้างแบบจำลองลำดับโดยไม่มีอักขระที่แบ่งส่วนไว้ล่วงหน้า. Connectionist Temporal Classification (CTC) ยังคงเป็นพื้นฐาน, เรียนรู้การจัดตำแหน่งระหว่างลำดับคุณลักษณะอินพุตและสตริงป้ายกำกับเอาต์พุต; มันถูกใช้อย่างกว้างขวาง ในไปป์ไลน์การเขียนด้วยลายมือและข้อความในฉาก.
ในช่วงไม่กี่ปีที่ผ่านมา, Transformers ได้ปรับเปลี่ยน OCR. TrOCR ใช้ตัวเข้ารหัส Vision Transformer บวกกับตัวถอดรหัส Text Transformer, ฝึกฝนบนคลังข้อมูลสังเคราะห์ขนาดใหญ่แล้ว ปรับละเอียดบนข้อมูลจริง, พร้อมประสิทธิภาพที่แข็งแกร่งในเกณฑ์มาตรฐานก ารพิมพ์, การเขียนด้วยลายมือ และข้อความในฉาก (ดูเพิ่มเติมที่ เอกสาร Hugging Face). ในขณะเดียวกัน, บางระบบข้าม OCR เพื่อความเข้าใจดาวน์สตรีม: Donut (Document Understanding Transformer) เป็นตัวเข้ารหัส-ถอดรหัสที่ไม่มี OCR ซึ่งส่งออกคำตอบที่มีโครงสร้างโดยตรง (เช่น JSON คีย์-ค่า) จากเอกสาร รูปภาพ (repo, การ์ดโมเดล), หลีกเลี่ยงการสะสมข้อผิดพลาดเมื่อขั้นตอน OCR แยกต่างหากป้อนระบบ IE.
หากคุณต้องการการอ่านข้อความแบบครบวงจรในหลายสคริปต์, EasyOCR มี API ที่เรียบง่ายพร้อมโมเดลภาษามากกว่า 80 ภาษา, ส่งคืนกล่อง, ข้อความ, และความเชื่อมั่น—มีประโยชน์สำหรับต้นแบบและ สคริปต์ที่ไม่ใช่ภาษาละติน. สำหรับเอกสารทางประวัติศาสตร์, Kraken โดดเด่นด้วยการแบ่งส่วนเส้นฐานและการอ่านตามลำดับที่คำนึงถึงสคริปต์; สำหรับการฝึกอบรมระดับบรรทัดที่ยืดหยุ่น, Calamari สร้างขึ้นจากสายเลือด Ocropy (Ocropy) ด้วยตัวรู้จำ (หลาย)LSTM+CTC และ CLI สำหรับการปรับละเอียดโมเดลที่กำหนดเอง.
การสรุปผลขึ้นอยู่กับข้อมูล. สำหรับการเขียนด้วยลายมือ, ฐานข้อมูลการเขียนด้วยลายมือ IAM ให้ประโยคภาษาอังกฤษที่หลากหลายสำหรับผู้เขียนสำหรับการฝึกอบรมและการประเมิน; มันเป็นชุดอ้างอิงที่มีมายาวนานสำหรับ การรู้จำบรรทัดและคำ. สำหรับข้อความในฉาก, COCO-Text ได้ ใส่คำอธิบายประกอบอย่างกว้างขวางทับ MS-COCO, พร้อมป้ายกำกับสำหรับพิมพ์/เขียนด้วยลายมือ, อ่านได้/อ่านไม่ได้, สคริปต์, และ การถอดความแบบเต็ม (ดูเพิ่มเติมที่หน้า โครงการดั้งเดิม). สาขานี้ยังพึ่งพาการฝึกอบรมล่วงหน้าแบบสังเคราะห์อย่างมาก: SynthText in the Wild แสดงข้อความลงในภาพถ่ายด้วยรูปทรงเรขาคณิตและแสงที่สมจริง, ให้ข้อมูลจำนวนมหาศาลเพื่อฝึกอบรมล่วงหน้า ตัวตรวจจับและตัวรู้จำ (อ้างอิง โค้ดและข้อมูล).
การแข่งขันภายใต้ ICDAR’s Robust Reading ร่มช่วยให้การประเมินผลเป็นไปอย่างมีเหตุผล. งานล่าสุดเน้นการตรวจจับ/การอ่านแบบ end-to-end และรวมถึงการเชื่อมโยงคำ เป็นวลี, พร้อมโค้ดอย่างเป็นทางการที่รายงาน ความแม่นยำ/การเรียกคืน/F-score, intersection-over-union (IoU), และเมตริกระยะห่างการแก้ไขระดับอักขระ—สะท้อนสิ่งที่ผู้ปฏิบัติงานควรติดตาม.
OCR ไม่ค่อยจบลงที่ข้อความธรรมดา. หอจดหมายเหตุและห้องสมุดดิจิทัลต้องการ ALTO XML เพราะมันเข้ารหัสเลย์เอาต์ทางกายภาพ (บล็อก/บรรทัด/คำพร้อมพิกัด) ควบคู่ไปกับเนื้อหา, และมันเข้ากันได้ดี กับแพ็คเกจ METS. hOCR ไมโครฟอร์แมต, ในทางตรงกันข้าม, ฝังแนวคิดเดียวกันลงใน HTML/CSS โดยใช้คลาสเช่น ocr_line และ ocrx_word, ทำให้ง่ายต่อการแสดง, แก้ไข, และแปลงด้วยเครื่องมือเว็บ. Tesseract เปิดเผยทั้งสอง—เช่น, การสร้าง hOCR หรือ PDF ที่ค้นหาได้โดยตรงจาก CLI (คู่มือการส่ งออก PDF); ตัวห่อหุ้ม Python เช่น pytesseract เพิ่มความสะดวก. มีตัวแปลงเพื่อแปลระหว่าง hOCR และ ALTO เมื่อที่เก็บมีมาตรฐานการนำเข้าที่ตายตัว —ดูรายการที่คัดสรรมานี้ของ เครื่องมือรูปแบบไฟล์ OCR.
แนวโน้มที่แข็งแกร่งที่สุดคือการบรรจบกัน: การตรวจจับ, การรู้จำ, การสร้างแบบจำลองภาษา, และแม้แต่การถอดรหัสเฉพาะงาน กำลังรวมกันเป็นสแต็ก Transformer ที่เป็นหนึ่งเดียว. การฝึกอบรมล่วงหน้าบน คลังข้อมูลสังเคราะห์ขนาดใหญ่ ยังคงเป็นตัวคูณกำลัง. โมเดลที่ไม่มี OCR จะแข่งขันอย่างดุเดือดทุกที่ที่เป้าหมายเป็นเอาต์พุตที่มีโครงสร้าง แทนที่จะเป็นการถอดความแบบคำต่อคำ. คาดหวังการปรับใช้แบบไฮบริดด้วย: ตัวตรวจจับน้ำหนักเบาบวกกับตัวรู้จำสไตล์ TrOCR สำหรับข้อความยาว, และโมเดลสไตล์ Donut สำหรับแบบฟอร์มและใบเสร็จ.
Tesseract (GitHub) · เอกสาร Tesseract · ข้อมูลจำเพาะ hOCR · พื้นหลัง ALTO · ตัวตรวจจับ EAST · การตรวจจับข้อความ OpenCV · TrOCR · Donut · COCO-Text · SynthText · Kraken · Calamari OCR · ICDAR RRC · pytesseract · การเขียนด้วยลายมือ IAM · เครื่องมือรูปแบบไฟล์ OCR · EasyOCR
Optical Character Recognition (OCR) เป็นเทคโนโลยีที่ใช้ในการแปลงประเภทต่าง ๆ ของเอกสาร เช่น ผลงานที่สแกนด้วยกระดาษ PDF ไฟล์หรือภาพที่ถ่ายด้วยกล้องดิจิตอล ให้เป็นข้อมูลที่สามารถแก้ไขและค้นหาได้
OCR ทำงานโดยการสแกนภาพนำเข้าต่างๆหรือเอกสาร การแบ่งภาพออกเป็นตัวอักษรแต่ละตัว แล้วเปรียบเทียบแต่ละตัวอักษรกับฐานข้อมูลแบบรูปของตัวอักษรโดยใช้การจดจำรูปแบบหรือจดจำลักษณะ
OCR ถูกนำไปใช้ในหลายภาคและการประยุกต์ใช้ เช่น การเปลี่ยนเอกสารที่พิมพ์ออกมาเป็นดิจิตอล การเปิดให้บริการอักษรเป็นเสียง การทำให้กระบวนการกรอกข้อมูลเป็นอัตโนมัติ และสนับสนุนผู้ที่ มีความบกพร่องทางการมองเห็นให้สามารถสัมผัสปฏิสัมพันธ์กับข้อความได้ตรงตามความต้องการ
อย่างไรก็ตาม ทั้งที่เทคโนโลยี OCR ได้พัฒนามาอย่างมาก แต่ยังไม่มีความสมบูรณ์ การมีความแม่นยำมักจะขึ้นอยู่กับคุณภาพของเอกสารเดิมและรายละเอียดของซอฟต์แวร์ OCR ที่ใช้
ถึงแม้ว่า OCR ถูกออกแบบมาสำหรับข้อความที่พิมพ์ แต่ระบบ OCR ที่ระดับสูงบางระบบสามารถจดจำลายมือที่ชัดเจน สอดคล้องได้ อย่างไรก็ดี ทั่วไปแล้วการจดจำลายมือมีความแม่นยำน้อยกว่า เนื่องจากมีการผันแปรของรูปแบบการเขียนของแต่ละคน
ใช่ ซอฟต์แวร์ OCR หลายระบบสามารถจดจำภาษาหลายภาษา อย่างไรก็ตาม สำคัญที่จะต้องดูว ่าภาษาที่ต้องการได้รับการสนับสนุนโดยซอฟต์แวร์ที่คุณใช้
OCR ย่อมาจาก Optical Character Recognition และใช้ในการจดจำข้อความที่พิมพ์ขณะที่ ICR หรือ Intelligent Character Recognition ที่ทันสมัยยิ่งขึ้นและใช้สำหรับการจดจำข้อความที่เขียนด้วยมือ
OCR ทำงานได้ดีที่สุดกับแบบอักษรที่ชัดเจน, สามารถอ่านได้ง่ายและมีขนาดข้อความมาตรฐาน ในขณะที่มันสามารถทำงานได้กับแบบอักษรและขนาดที่หลากหลาย แต่ความถูกต้องมักจะลดลงเมื่อจัดการกับแบบอักษรที่ไม่ปกติหรือขนาดข้อความที่เล็กมาก
OCR อาจพบปัญหากับเอกสารที่มีความละเอียดต่ำ, แบบอักษรซับซ้อน, ข้อความที่พิมพ์ไม่ดี, ลา ยมือ และเอกสารที่มีพื้นหลังที่แทรกซ้อนกับข้อความ นอกจากนี้ อย่างไรก็ตาม อาจใช้งานกับภาษาหลายภาษาได้ มันอาจไม่ครอบคลุมทุกภาษาอย่างสมบูรณ์
ใช่ OCR สามารถสแกนข้อความที่มีสีและพื้นหลังที่มีสี แม้ว่าจะมีประสิทธิภาพมากขึ้นด้วยสีที่มีความเปรียบเทียบความตัดกัน เช่น ข้อความดำบนพื้นหลังสีขาว ความถูกต้องอาจลดลงเมื่อสีข้อความและสีพื้นหลังไม่มีความคมชัดเพียงพอ
รูปแบบภาพ J2C หรือที่รู้จักในชื่อ JPEG 2000 Code Stream เป็นส่วนหนึ่งของชุดมาตรฐาน JPEG 2000 JPEG 2000 เองเป็นมาตรฐานการบีบอัดภาพและระบบการเข้ารหัสที่สร้างโดยคณะกรรมการ Joint Photographic Experts Group โดยมีจุดประ สงค์เพื่อแทนที่มาตรฐาน JPEG เดิม มาตรฐาน JPEG 2000 ได้รับการกำหนดขึ้นโดยมีเป้าหมายเพื่อจัดหาระบบการเข้ารหัสภาพใหม่ที่มีความยืดหยุ่นสูงและประสิทธิภาพการทำงานที่ดีกว่า JPEG โดยออกแบบมาเพื่อแก้ไขข้อจำกัดบางประการของรูปแบบ JPEG เช่น ประสิทธิภาพที่ไม่ดีในอัตราบิตต่ำและการขาดการปรับขนาด
JPEG 2000 ใช้การแปลงเวฟเล็ตแทนการแปลงโคไซน์แบบไม่ต่อเนื่อง (DCT) ที่ใช้ในมาตรฐาน JPEG เดิม การแปลงเวฟเล็ตช่วยให้ปรับขนาดได้ในระดับสูงขึ้นและสามารถทำการบีบอัดแบบไม่สูญเสียข้อมูล ซึ่งหมายความว่าสามารถสร้างภาพต้นฉบับขึ้นใหม่ได้อย่างสมบูรณ์แบบจากข้อมูลที่บีบอัดแล้ว นี่เป็นข้อได้เปรียบที่สำคัญเหนือการบีบอัดแบบสูญเสียข้อมูลของ JPEG เดิม ซึ่งจะสูญเสียข้อมูลภาพบางส่วนอย่างถาวรในระหว่างกระบวนการบีบอัด
รูปแบบไฟล์ J2C หมายถึงสตรีมโค้ดของ JPEG 2000 โดยเฉพาะ สตรีมโค้ดนี้เป็นข้อมูลภาพที่เข้ารหัสจริง ซึ่งสามารถฝังอยู่ในรูปแบบคอนเทนเนอร์ต่างๆ เช่น JP2 (รูปแบบไฟล์ JPEG 2000 ส่วนที่ 1), JPX (JPEG 2000 ส่วนที่ 2, รูปแบบไฟล์ที่ขยาย) และ MJ2 (รูปแบบไฟล์ Motion JPEG 2000 สำหรับวิดีโอ) รูปแบบ J2C เป็นข้อมูลภาพที่เข้ารหัสแบบดิบโดยพื้นฐานแล้ว โดยไม่มีเมตาเดตาหรือโครงสร้างเพิ่มเติมใดๆ ที่อาจมีให้โดยรูปแบบคอนเทนเนอร์
หนึ่งในคุณสมบัติหลักของรูปแบบ J2C คือการรองรับการบีบอัดทั้งแบบไม่สูญเสียข้อมูลและแบบสูญเสียข้อมูลในไฟล์เดียวกัน ซึ่งทำได้โดยใช้การแปลงเวฟเล็ตแบบกลับได้สำหรับการบีบอัดแบบไม่สูญเสียข้อมูลและการแปลงเวฟเล็ตแบบไม่กลับได้สำหรับการบีบอัดแบบสูญเสียข้อมูล ตัวเลือกการบีบอัดแบบไม่สูญเสียข้อมูลหรือแบบสูญเสียข้อมูลสามารถทำได้แบบรายไทล์ภายในภาพ ซึ่งช่วยให้สามารถผสมผสานพื้นที่ที่มีคุณภาพสูงและคุณภาพต ่ำลงได้โดยขึ้นอยู่กับความสำคัญของเนื้อหา
รูปแบบ J2C ยังปรับขนาดได้สูงมาก โดยรองรับคุณสมบัติที่เรียกว่า 'การถอดรหัสแบบก้าวหน้า' ซึ่งหมายความว่าสามารถถอดรหัสและแสดงภาพเวอร์ชันความละเอียดต่ำก่อน จากนั้นจึงตามด้วยเลเยอร์ความละเอียดที่สูงขึ้นตามลำดับเมื่อได้รับหรือประมวลผลข้อมูลภาพเพิ่มเติม สิ่งนี้มีประโยชน์อย่างยิ่งสำหรับแอปพลิเคชันเครือข่ายที่มีแบนด์วิดท์จำกัด เนื่องจากช่วยให้สามารถดูตัวอย่างภาพได้อย่างรวดเร็วในขณะที่ยังคงดาวน์โหลดภาพความละเอียดสูงแบบเต็มอยู่
อีกแง่มุมที่สำคัญของรูปแบบ J2C คือการรองรับพื้นที่ที่น่าสนใจ (ROI) ด้วยการเข้ารหัส ROI บางส่วนของภาพสามารถเข้ารหัสด้วยคุณภาพที่สูงกว่าส่วนอื่นๆ ของภาพได้ สิ่งนี้มีประโยชน์เมื่อบางพื้นที่ของภาพมีความสำคัญมากกว่าและจำเป็นต้องรักษาไว้ด้วยความเที่ยงตรงที่สูงกว่า เช่น ใบหน้าในภาพบุคคลหรือข้อความในเอกสาร
รูปแบบ J2C ยังมีคุณสมบัติการทนต่อข้อผิดพลาดที่ซับซ้อน ซึ่งทำให้ทนทานต่อการสูญเสียข้อมูลระหว่างการส่งข้อมูลมากขึ้น ซึ่งทำได้โดยใช้รหัสแก้ไขข้อผิดพลาดและการจัดโครงสร้างสตรีมโค้ดในลักษณะที่ช่วยให้สามารถกู้คืนแพ็กเก็ตที่สูญหายได้ สิ่งนี้ทำให้ J2C เป็นตัวเลือกที่ดีสำหรับการส่งภาพผ่านเครือข่ายที่ไม่น่าเชื่อถือหรือการจัดเก็บภาพในลักษณะที่ลดผลกระทบของการเสียหายของข้อมูลที่อาจเกิดขึ้น
การจัดการพื้นที่สีใน J2C ยังล้ำหน้ากว่าใน JPEG เดิม รูปแบบนี้รองรับพื้นที่สีที่หลากหลาย รวมถึงเฉดสีเทา, RGB, YCbCr และอื่นๆ นอกจากนี้ยังอนุญาตให้ใช้พื้นที่สีที่แตกต่างกันภายในไทล์ต่างๆ ของภาพเดียวกัน ซึ่งให้ความยืดหยุ่นเพิ่มเติมในการเข้ารหัสและแสดงภาพ
ประสิทธิภาพการบีบอัดของรูปแบบ J2C เป็นอีกหนึ่งจุดแข็ง โดยการใช้การแปลงเวฟเล็ตและเทคนิคการเข้ารหัสเอนโทรปีขั้นสูง เช่น การเข้ารหัสเลขคณิต J2C สามารถบรรลุอัตราการบีบอัดที่สูงกว่า JPEG เดิมได้ โดยเฉพาะที่อัตราบิตต่ำกว่า สิ่งนี้ทำให้เป็นตัวเลือกที่น่าสนใจสำหรับแอปพลิเคชันที่พื้นที่จัดเก็บหรือแบนด์วิดท์มีค่าพรีเมียม เช่น ในอุปกรณ์เคลื่อนที่หรือแอปพลิเคชันเว็บ
แม้จะมีข้อดีมากมาย แต่รูปแบบ J2C ก็ยังไม่ได้รับการยอมรับอย่างแพร่หลายเมื่อเทียบกับรูปแบบ JPEG เดิม สาเหตุหนึ่งมาจากความซับซ้อนที่มากขึ้นของมาตรฐาน JPEG 2000 ซึ่งต้องใช้ทรัพยากรการคำนวณมากกว่าในการเข้ารหัสและถอดรหัสภาพ นอกจากนี้ รูปแบบ JPEG เดิมยังฝังรากลึกในระบบต่างๆ มากมายและมีระบบนิเวศของซอฟต์แวร์และฮาร์ดแวร์ที่กว้างขวาง ซึ่งทำให้มาตรฐานใหม่ยากที่จะได้รับการยอมรับ
อย่างไรก็ตาม ในสาขาเฉพาะบางสาขา รูปแบบ J2C ได้กลายเป็นตัวเลือกที่ต้องการเนื่องจากคุณสมบัติเฉพาะตัวอย่าง ในการถ่ายภาพทางการแพทย์ ตัวอย่างเช่น ความสามารถในการบีบอัดแบบไม่สูญเสียข้อมูลและการรองรับภาพช่วงไดนามิกสูงและภาพความลึกของบิตสูงทำให้ J2C เป็นรูปแบบที่เหมาะ ในทำนองเดียวกัน ในโรงภาพยนตร์ดิจิทัลและการจัดเก็บวิดีโอ คุณภาพสูงในอัตราการบีบอัดสูงและคุณสมบัติการปรับขนาดของรูปแบบนี้มีค่าอย่างมาก
กระบวนการเข้ารหัสของภาพ J2C เกี่ยวข้องกับหลายขั้นตอน ขั้นแรก ภาพจะถูกแบ่งออกเป็นไทล์ ซึ่งสามารถประมวลผลได้อย่างอิสระ การแบ่งไทล์นี้ช่วยให้สามารถประมวลผลแบบขนานและสามารถปรับปรุงประสิทธิภาพของกระบวนการเข้ารหัสและถอดรหัสได้ จากนั้นแต่ละไทล์จะถูกแปลงโดยใช้การแปลงเวฟเล็ตแบบกลับได้หรือแบบไม่กลับได้ โดยขึ้นอยู่กับว่าต ้องการการบีบอัดแบบไม่สูญเสียข้อมูลหรือแบบสูญเสียข้อมูล
หลังจากการแปลงเวฟเล็ตแล้ว ค่าสัมประสิทธิ์จะถูกทำให้เป็นปริมาณ ซึ่งเกี่ยวข้องกับการลดความแม่นยำของค่าสัมประสิทธิ์เวฟเล็ต ในการบีบอัดแบบไม่สูญเสียข้อมูล ขั้นตอนนี้จะถูกข้าม เนื่องจากการทำให้เป็นปริมาณจะทำให้เกิดข้อผิดพลาด ค่าสัมประสิทธิ์ที่ทำให้เป็นปริมาณจะถูกเข้ารหัสเอนโทรปีโดยใช้การเข้ารหัสเลขคณิต ซึ่งจะลดขนาดของข้อมูลโดยใช้ประโยชน์จากคุณสมบัติทางสถิติของเนื้อหาภาพ
ขั้นตอนสุดท้ายในกระบวนการเข้ารหัสคือการประกอบสตรีมโค้ด ข้อมูลที่เข้ารหัสเอนโทรปีสำหรับแต่ละไทล์จะรวมกับข้อมูลส่วนหัวที่อธิบายภาพและวิธีการเข้ารหัส ซึ่งรวมถึงข้อมูลเกี่ยวกับขนาดของภาพ จำนวนไทล์ การแปลงเวฟเล็ตที่ใช้ พารามิเตอร์การทำให้เป็นปริมาณ และข้อมูลอื่นๆ ที่เกี่ ยวข้อง สตรีมโค้ดที่ได้สามารถจัดเก็บในไฟล์ J2C หรือฝังอยู่ในรูปแบบคอนเทนเนอร์
การถอดรหัสภาพ J2C นั้นเกี่ยวข้องกับการย้อนกลับกระบวนการเข้ารหัสโดยพื้นฐานแล้ว สตรีมโค้ดจะถูกวิเคราะห์เพื่อแยกข้อมูลส่วนหัวและข้อมูลที่เข้ารหัสเอนโทรปีสำหรับแต่ละไทล์ จากนั้นข้อมูลที่เข้ารหัสเอนโทรปีจะถูกถอดรหัสเพื่อกู้คืนค่าสัมประสิทธิ์เวฟเล็ตที่ทำให้เป็นปริมาณ หากภาพถูกบี
ตัวแปลงนี้ทำงานอย่างสมบูรณ์ในเบราว์เซอร์ของคุณ เมื่อคุณเลือกไฟล์ ไฟล์จะถูกอ่านเข้าไปในหน่วยความจำและแปลงเป็นรูปแบบที่เลือก จากนั้นคุณสามารถดาวน์โหลดไฟล์ที่แปลงแล้วได้
การแปลงจะเริ่ มขึ้นทันที และไฟล์ส่วนใหญ่จะถูกแปลงภายในเวลาไม่ถึงหนึ่งวินาที ไฟล์ขนาดใหญ่อาจใช้เวลานานกว่านั้น
ไฟล์ของคุณจะไม่ถูกอัปโหลดไปยังเซิร์ฟเวอร์ของเรา ไฟล์เหล่านั้นจะถูกแปลงในเบราว์เซอร์ของคุณ จากนั้นไฟล์ที่แปลงแล้วจะถูกดาวน์โหลด เราไม่เคยเห็นไฟล์ของคุณ
เรารองรับการแปลงระหว่างรูปแบบภาพทั้งหมด รวมถึง JPEG, PNG, GIF, WebP, SVG, BMP, TIFF และอื่นๆ
ตัวแปลงนี้ฟรีโดยสมบูรณ์ และจะฟรีตลอดไป เนื่องจากทำงานในเบราว์เซอร์ของคุณ เราจึงไม่ต้องจ่ายค่าเซิร์ฟเวอร์ ดังนั้นเราจึงไม่เรียกเก็บเงินจากคุณ
ใช่! คุณสามารถแปลงไฟล์ได้มากเท่าที่คุณต้องการในคราวเดียว เพียงเลือกหลายไฟล์เมื่อคุณเพิ่ม