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 JPS ซึ่งย่อมาจาก JPEG Stereo เป็นรูปแบบไฟล์ที่ใช้ในการจัดเก็บภาพถ่ายแบบสเตอริโอที่ถ่ายโดยกล้องดิจิทัลหรือสร้างโดยซอฟต์แวร์เรนเดอร์ 3 มิติ โดยหลักแล้วเป็นการจัดเรียงภาพ JPEG สองภาพแบบเคียงข้างกันภายในไฟล์เดียว ซึ่งเมื่อดูผ่านซอฟต์แวร์หรือฮาร์ดแวร์ที่เหมาะสม จะให้เอฟเฟกต์ 3 มิติ รูปแบบนี้มีประโยชน์อย่างยิ่งสำหรับการสร้างภาพลวงตาของความลึกในภาพ ซึ่งช่วยเพิ่มประสบการณ์การรับชมสำหรับผู้ใช้ที่มีระบบแสดงผลที่เข้ากันได้หรือแว่นตา 3 มิติ
รูปแบบ JPS ใช้ประโยชน์จากเทคนิคการบีบอัด JPEG (Joint Photographic Experts Group) ที่ได้รับการยอมรับอย่างดีในการจัดเก็บภาพทั้งสองภาพ JPEG เป็นวิธีการบีบอัดแบบสูญเสีย ซึ่งหมายความว่าจะลดขนาดไฟล์โดยการละทิ้งข้อมูลที่ไม่สำคัญออกไปอย่างมีการเลือกสรร โดยมักจะไม่ทำให้คุณภาพของภาพลดลงอย่างเห็นได้ชัดต่อสายตาของมนุษย์ สิ่งนี้ทำให้ไฟล์ JPS มีขนาดค่อนข้างเล็กและจัดการได้ง่าย แม้ว่าจะมีภาพสองภาพแทนที่จะเป็นภาพเดียว
ไฟล์ JPS เป็นไฟล์ JPEG ที่มีโค รงสร้างเฉพาะ โดยมีภาพ JPEG ที่บีบอัดสองภาพเคียงข้างกันภายในเฟรมเดียว ภาพเหล่านี้เรียกว่าภาพตาซ้ายและภาพตาขวา และแสดงมุมมองที่แตกต่างกันเล็กน้อยของฉากเดียวกัน โดยเลียนแบบความแตกต่างเล็กน้อยระหว่างสิ่งที่ตาแต่ละข้างของเราเห็น ความแตกต่างนี้คือสิ่งที่ช่วยให้รับรู้ความลึกเมื่อดูภาพอย่างถูกต้อง
ความละเอียดมาตรฐานสำหรับภาพ JPS โดยทั่วไปจะกว้างกว่าภาพ JPEG มาตรฐานสองเท่าเพื่อรองรับทั้งภาพด้านซ้ายและด้านขวา ตัวอย่างเช่น หากภาพ JPEG มาตรฐานมีความละเอียด 1920x1080 พิกเซล ภาพ JPS จะมีความละเอียด 3840x1080 พิกเซล โดยแต่ละภาพเคียงข้างกันจะใช้ความกว้างครึ่งหนึ่งของความกว้างทั้งหมด อย่างไรก็ตาม ความละเอียดอาจแตกต่างกันไปขึ้นอยู่กับแหล่งที่มาของภาพและการใช้งานที่ต้องการ
ในการดูภาพ JPS แบบ 3 มิติ ผู้ดูจะต้องใช้เครื่องแสดงผลหรือซอฟต์แ วร์ที่เข้ากันได้ซึ่งสามารถตีความภาพเคียงข้างกันและนำเสนอให้กับแต่ละตาแยกกัน สิ่งนี้สามารถทำได้ผ่านวิธีต่างๆ เช่น 3D แบบแอนากลิฟ ซึ่งภาพจะถูกกรองตามสีและดูด้วยแว่นตาสี 3D แบบโพลาไรซ์ ซึ่งภาพจะถูกฉายผ่านตัวกรองโพลาไรซ์และดูด้วยแว่นตาโพลาไรซ์ หรือ 3D แบบชัตเตอร์แอคทีฟ ซึ่งภาพจะแสดงสลับกันและซิงโครไนซ์กับแว่นตาชัตเตอร์ที่เปิดและปิดอย่างรวดเร็วเพื่อแสดงภาพที่ถูกต้องให้กับแต่ละตา
โครงสร้างไฟล์ของภาพ JPS นั้นคล้ายกับไฟล์ JPEG มาตรฐาน โดยมีส่วนหัว ซึ่งรวมถึงเครื่องหมาย SOI (Start of Image) ตามด้วยชุดของเซ็กเมนต์ที่มีข้อมูลเมตาต่างๆ และข้อมูลภาพเอง เซ็กเมนต์ต่างๆ รวมถึงเครื่องหมาย APP (Application) ซึ่งอาจมีข้อมูลต่างๆ เช่น ข้อมูลเมตา Exif และเซ็กเมนต์ DQT (Define Quantization Table) ซึ่งกำหนดตารางการหาปริมาณที่ใช้ในการบีบอัดข้อมูลภาพ
หนึ่งในเซ็กเมนต์หลักใ นไฟล์ JPS คือเซ็กเมนต์ JFIF (JPEG File Interchange Format) ซึ่งระบุว่าไฟล์เป็นไปตามมาตรฐาน JFIF เซ็กเมนต์นี้มีความสำคัญเพื่อให้แน่ใจว่าเข้ากันได้กับซอฟต์แวร์และฮาร์ดแวร์ที่หลากหลาย นอกจากนี้ยังมีข้อมูลต่างๆ เช่น อัตราส่วนภาพและความละเอียดของภาพขนาดย่อ ซึ่งสามารถใช้สำหรับการแสดงตัวอย่างอย่างรวดเร็ว
ข้อมูลภาพจริงในไฟล์ JPS จะถูกเก็บไว้ในเซ็กเมนต์ SOS (Start of Scan) ซึ่งตามหลังส่วนหัวและส่วนข้อมูลเมตา เซ็กเมนต์นี้มีข้อมูลภาพที่บีบอัดสำหรับทั้งภาพด้านซ้ายและด้านขวา ข้อมูลจะถูกเข้ารหัสโดยใช้อัลกอริธึมการบีบอัด JPEG ซึ่งเกี่ยวข้องกับขั้นตอนต่างๆ รวมถึงการแปลงพื้นที่สี การสุ่มตัวอย่าง การแปลงโคไซน์แบบไม่ต่อเนื่อง (DCT) การหาปริมาณ และการเข้ารหัสเอนโทรปี
การแปลงพื้นที่สีคือกระบวนการแปลงข้อมูลภาพจากพื้นที่สี RGB ซึ่งใช้กันทั่วไปในกล้องดิจิทัลและจอคอมพิวเตอร์ ไปเป็นพื้นที่สี YCbCr ซึ่งใช้ในการบีบอัด JPEG การแปลงนี้จะแยกภาพออกเป็นส่วนประกอบความสว่าง (Y) ซึ่งแสดงระดับความสว่าง และส่วนประกอบความอิ่มตัวของสีสองส่วน (Cb และ Cr) ซึ่งแสดงข้อมูลสี สิ่งนี้มีประโยชน์สำหรับการบีบอัดเนื่องจากดวงตาของมนุษย์มีความไวต่อการเปลี่ยนแปลงความสว่างมากกว่าสี ซึ่งช่วยให้สามารถบีบอัดส่วนประกอบความอิ่มตัวของสีได้มากขึ้นโดยไม่ส่งผลกระทบต่อคุณภาพของภาพที่รับรู้ได้อย่างมีนัยสำคัญ
การสุ่มตัวอย่างคือกระบวนการที่ใช้ประโยชน์จากความไวที่ต่ำกว่าของดวงตาของมนุษย์ต่อรายละเอียดสีโดยลดความละเอียดของส่วนประกอบความอิ่มตัวของสีเมื่อเทียบกับส่วนประกอบความสว่าง อัตราส่วนการสุ่มตัวอย่างทั่วไป ได้แก่ 4:4:4 (ไม่สุ่มตัวอย่าง) 4:2:2 (ลดความละเอียดแนวนอนของความอิ่มตัวของสีลงครึ่งหนึ่ง) และ 4:2:0 (ลดความละเอียดทั้งแนวนอนและแนวตั้งของความอิ่มตัวของสีลงครึ่งหนึ่ง) การเลือกอัตราส่วนการสุ่มตัวอย่างสามารถส่งผลต่อความสมดุลระหว่างคุณภาพของภาพและขนาดไฟล์
การแปลงโคไซน์แบบไม่ต่อเนื่อง (DCT) จะถูกนำไปใช้กับบล็อกเล็กๆ ของภาพ (โดยทั่วไปคือ 8x8 พิกเซล) เพื่อแปลงข้อมูลโดเมนเชิงพื้นที่เป็นโดเมนความถี่ ขั้นตอนนี้มีความสำคัญสำหรับการบีบอัด JPEG เนื่องจากช่วยให้สามารถแยกแยะรายละเอียดของภาพออกเป็นส่วนประกอบที่มีความสำคัญต่างกัน โดยส่วนประกอบความถี่ที่สูงกว่ามักจะรับรู้ได้น้อยกว่าสำหรับดวงตาของมนุษย์ จากนั้นส่วนประกอบเหล่านี้สามารถหาปริมาณหรือลดความแม่นยำเพื่อให้ได้การบีบอัด
การหาปริมาณคือกระบวนการแมปช่วงของค่าไปยังค่าควอนตัมเดียว ซึ่งจะลดความแม่นยำของค่าสัมประสิทธิ์ DCT อย่างมีประสิทธิภาพ นี่คือจุดที่ลักษณะการสูญ เสียของการบีบอัด JPEG เข้ามาเกี่ยวข้อง เนื่องจากข้อมูลภาพบางส่วนจะถูกละทิ้ง ระดับการหาปริมาณจะถูกกำหนดโดยตารางการหาปริมาณที่ระบุในเซ็กเมนต์ DQT และสามารถปรับเพื่อให้สมดุลระหว่างคุณภาพของภาพกับขนาดไฟล์
ขั้นตอนสุดท้ายในกระบวนการบีบอัด JPEG คือการเข้ารหัสเอนโทรปี ซึ่งเป็นรูปแบบหนึ่งของการบีบอัดแบบไม่สูญเสีย วิธีที่ใช้กันทั่วไปที่สุดใน JPEG คือการเข้ารหัส Huffman ซึ่งกำหนดรหัสที่สั้นกว่าให้กับค่าที่พบได้บ่อยกว่าและรหัสที่ยาวกว่าให้กับค่าที่พบได้น้อยกว่า สิ่งนี้จะลดขนาดโดยรวมของข้อมูลภาพโดยไม่สูญเสียข้อมูลเพิ่มเติม
นอกเหนือจากเทคนิคการบีบอัด JPEG มาตรฐานแล้ว รูปแบบ JPS อาจมีข้อมูลเมตาเฉพาะที่เกี่ยวข้องกับลักษณะสเตอริโอของภาพ ข้อมูลเมตานี้อาจรวมถึงข้อมูลเกี่ยวกับการตั้งค่าพารัลแลกซ์ จุดบรรจบ และข้อมูลอื่นๆ ที่อา จจำเป็นสำหรับการแสดงเอฟเฟกต์ 3 มิติอย่างถูกต้อง ข้อมูลเมตานี้โดยทั่วไปจะถูกเก็บไว้ในเซ็กเมนต์ APP ของไฟล์
รูปแบบ JPS ได้รับการสนับสนุนจากแอปพลิเคชันซอฟต์แวร์และอุปกรณ์ต่างๆ รวมถึงโทรทัศน์ 3 มิติ ชุดหูฟัง VR และเครื่องดูภาพถ่ายเฉพาะ อย่างไรก็ตาม ไม่ได้รับการสนับสนุนอย่างกว้างขวางเท่ากับรูปแบบ JPEG มาตรฐาน ดังนั้นผู้ใช้จึงอาจต้องใช้ซอฟต์แวร์เฉพาะหรือแปลงไฟล์ JPS เป็นรูปแบบอื่นเพื่อให้เข้ากัน
ตัวแปลงนี้ทำงานอย่างสมบูรณ์ในเบราว์เซอร์ของคุณ เมื่อคุณเลือกไฟล์ ไฟล์จะถูกอ่านเข้าไปในหน่วยความจำและแปลงเป็นรูปแบบที่เลือก จากนั้นคุณสามารถดาวน์โหลดไฟล์ที่แปลงแล้วได้
การแปลงจะเริ่มขึ้นทันที และไฟล์ส่วนใหญ่จะถูกแปลงภายในเวลาไม่ถึงหนึ่งวินาที ไฟล์ขนาดใหญ่อาจใช้เวลานานกว่านั้น
ไฟล์ของคุณจะไม่ถูกอัปโหลดไปยังเซิร์ฟเวอร์ของเรา ไฟล์เหล่านั้นจะถูกแปลงในเบราว์เซอร์ของคุณ จากนั้นไฟล์ที่แปลงแล้วจะถูกดาวน์โหลด เราไม่เคยเห็นไฟล์ของคุณ
เรารองรับการแปลงระหว่างรูปแบบภาพทั้งหมด รวมถึง JPEG, PNG, GIF, WebP, SVG, BMP, TIFF และอื่นๆ
ตัวแปลงนี้ฟรีโดยสมบูรณ์ และจะฟรีตลอดไป เนื่องจากทำงานในเบราว์เซอร์ของคุณ เราจึงไม่ต้องจ่ายค่าเซิร์ฟเวอร์ ดังนั้นเราจึงไม่เรียกเก็บเงินจากคุณ
ใช่! คุณสามารถแปลงไฟล์ได้มากเท่าที่คุณต้องการในคราวเดียว เพียงเลือกหลายไฟล์เมื่อคุณเพิ่ม