Optik Karakter Tanıma (OCR) metin resimlerini—taramaları, akıllı telefon fotoğraflarını, PDF'leri—makine tarafından okunabilir dizelere ve giderek artan bir şekilde yapılandırılmış verilere dönüştürür. Modern OCR, bir görüntüyü temizleyen, metni bulan, okuyan ve zengin meta verileri dışa aktaran bir boru hattıdır böylece alt sistemler alanları arayabilir, dizine ekleyebilir veya çıkarabilir. Yaygın olarak kullanılan iki çıktı standardı şunlardır: hOCR, metin ve düzen için bir HTML mikroformatı ve ALTO XML, bir kütüphane/arşiv odaklı şema; her ikisi de konumları, okuma sırasını ve diğer düzen ipuçlarını korur ve gibi popüler motorlar tarafından desteklenir Tesseract.
Ön işleme. OCR kalitesi görüntü temizleme ile başlar: gri tonlamaya dönüştürme, gürültü giderme, eşikleme (ikili hale getirme) ve eğrilik düzeltme. Kanonik OpenCV eğitimleri küresel, uyarlanabilir ve Otsu eşikleme—düzensiz aydınlatmalı veya bimodal histogramlı belgeler için temel unsurlar. Bir sayfa içinde aydınlatma değiştiğinde (telefon fotoğraflarını düşünün), uyarlanabilir yöntemler genellikle tek bir küresel eşikten daha iyi performans gösterir; Otsu histogramı analiz ederek otomatik olarak bir eşik seçer. Eğim düzeltme de aynı derecede önemlidir: Hough tabanlı eğrilik düzeltme (Hough Çizgi Dönüşümü) Otsu ikilileştirmesi ile eşleştirilmiş, üretim ön işleme boru hatlarında yaygın ve etkili bir reçetedir.
Tespit ve tanıma. OCR tipik olarak metin tespiti (metin nerede ?) ve metin tanıma (ne diyor?) olarak ikiye ayrılır. Doğal sahnelerde ve birçok taramada, tamamen evrişimli dedektörler gibi EAST ağır teklif aşamaları olmadan kelime veya satır düzeyinde dörtgenleri verimli bir şekilde tahmin eder ve yaygın araç setlerinde (ör. OpenCV’nin metin tespiti eğitimi) uygulanır. Karmaşık sayfalarda (gazeteler, formlar, kitaplar), satırların/bölgelerin segmentasyonu ve okuma sırası çıkarımı önemlidir:Kraken geleneksel bölge/satır segmentasyonunu ve sinirsel temel çizgi segmentasyonunu uygular, farklı komut dosyaları ve yönler (LTR/RTL/dikey) için açık destek ile.
Tanıma modelleri. Klasik açık kaynaklı iş gücü Tesseract (Google tarafından açık kaynaklı hale getirildi, kökleri HP'ye dayanıyor) bir karakter sınıflandırıcısından LSTM tabanlı bir dizi tanıyıcıya dönüştü ve aranabilir PDF'ler, hOCR/ALTO dostu çıktılarve daha fazlasını CLI'den yayabilir. Modern tanıyıcılar, önceden bölümlenmiş karakterler olmadan dizi modellemesine güvenir. Bağlantıcı Geçici Sınıflandırma (CTC) temel olmaya devam ediyor, girdi özellik dizileri ve çıktı etiket dizileri arasındaki hizalamaları öğreniyor; el yazısı ve sahne metni boru hatlarında yaygın olarak kullanılıyor.
Son birkaç yılda, Transformer'lar OCR'yi yeniden şekillendirdi. TrOCR bir görüş Transformer kodlayıcı artı bir metin Transformer kod çözücü kullanır, büyük sentetik korpuslar üzerinde eğitilmiş ve ardından gerçek veriler üzerinde ince ayar yapılmış, basılı, el yazısı ve sahne metni karşılaştırmalarında güçlü performansla (ayrıca bkz. Hugging Face belgeleri). Paralel olarak, bazı sistemler alt akım anlama için OCR'yi atlar: Donut (Belge Anlama Transformer'ı) doğrudan yapılandırılmış cevaplar (anahtar-değer JSON gibi) üreten OCR'siz bir kodlayıcı-kod çözücüdür belge resimlerinden (repo, model kartı), ayrı bir OCR adımı bir IE sistemini beslediğinde hata birikimini önler.
Birçok komut dosyasında pille birlikte metin okuma istiyorsanız, EasyOCR 80'den fazla dil modeliyle basit bir API sunar, kutular, metin ve güvenilirlikler döndürür—prototipler ve Latin olmayan komut dosyaları için kullanışlıdır. Tarihi belgeler için, Kraken temel çizgi segmentasyonu ve komut dosyasına duyarlı okuma sırası ile parlar; esnek satır düzeyinde eğitim için, Calamari Ocropy soyundan gelir (Ocropy) (çoklu)LSTM+CTC tanıyıcıları ve özel modelleri ince ayarlamak için bir CLI ile.
Genelleme verilere bağlıdır. El yazısı için, IAM El Yazısı Veritabanı eğitim ve değerlendirme için yazar açısından çeşitli İngilizce cümleler sağlar; bu, satır ve kelime tanıma için uzun süredir devam eden bir referans setidir. Sahne metni için, COCO-Text MS-COCO üzerine kapsamlı ek açıklamalar katmanladı, basılı/el yazısı, okunaklı/okunaksız, komut dosyası ve tam transkripsiyonlar için etiketlerle (ayrıca orijinal proje sayfasınabakın). Alan ayrıca sentetik ön eğitime de büyük ölçüde güvenir: Vahşi Doğada SynthText gerçekçi geometri ve aydınlatma ile fotoğraflara metin işler, önceden eğitmek için büyük hacimli veriler sağlar dedektörler ve tanıyıcılar (referans kod ve veri).
ICDAR’ın Sağlam Okuma şemsiyesi altındaki yarışmalar değerlendirmeyi temellendirir. Son görevler uçtan uca tespit/okumayı vurgular ve kelimeleri ifadelere bağlamayı içerir, resmi kod raporlaması kesinlik/geri çağırma/F-skoru, kesişim-üzeri-birleşim (IoU) ve karakter düzeyinde düzenleme mesafesi metrikleri—uygulayıcıların izlemesi gerekenleri yansıtır.
OCR nadiren düz metinle biter. Arşivler ve dijital kütüphaneler ALTO XML 'i tercih eder çünkü içeriğin yanı sıra fiziksel düzeni (koordinatlı bloklar/satırlar/kelimeler) kodlar ve METS paketlemesiyle iyi eşleşir. hOCR mikroformatı ise aynı fikri ocr_line ve ocrx_word gibi sınıfları kullanarak HTML/CSS'ye gömer, bu da web araçlarıyla görüntülemeyi, düzenlemeyi ve dönüştürmeyi kolaylaştırır. Tesseract her ikisini de sunar—örneğin, doğrudan CLI'den hOCR veya aranabilir PDF'ler oluşturma (PDF çıktı kılavuzu); pytesseract gibi Python sarmalayıcıları kolaylık sağlar. Depoların sabit alım standartları olduğunda hOCR ve ALTO arasında çeviri yapmak için dönüştürücüler mevcuttur—bu derlenmiş listeye bakın OCR dosya formatı araçları.
En güçlü eğilim yakınsamadır: tespit, tanıma, dil modelleme ve hatta göreve özgü kod çözme birleşik Transformer yığınlarında birleşiyor. büyük sentetik korpuslar üzerinde ön eğitim bir güç çarpanı olmaya devam ediyor. OCR'siz modeller, hedefin kelimesi kelimesine transkriptler yerine yapılandırılmış çıktılar olduğu her yerde agresif bir şekilde rekabet edecektir. Hibrit dağıtımlar da bekleyin: uzun biçimli metin için hafif bir dedektör artı bir TrOCR tarzı tanıyıcı ve formlar ve makbuzlar için bir Donut tarzı model.
Tesseract (GitHub) · Tesseract belgeleri · hOCR özellikleri · ALTO arka planı · EAST dedektörü · OpenCV metin tespiti · TrOCR · Donut · COCO-Text · SynthText · Kraken · Calamari OCR · ICDAR RRC · pytesseract · IAM el yazısı · OCR dosya formatı araçları · EasyOCR
Optical Character Recognition (OCR), tarama yapılan kağıt belgeler, PDF dosyaları veya dijital bir kamera ile çekilen fotoğraflar gibi çeşitli belgeleri düzenlenebilir ve aranabilir bilgilere çevirmek için kullanılan bir teknolojidir.
OCR, giriş görüntüsünü veya belgeyi tarayarak, görüntüyü bireysel karakterlere ayırarak ve her karakteri bir karakter şekli veritabanı ile pattern recognition veya feature recognition kullanarak karşılaştırarak çalışır.
OCR, basılı belgelerin dijitalleştirilmesi, metinden sesli hizmetlerin etkinleştirilmesi, veri giriş süreçlerinin otomatikleştirilmesi ve görme engelli kullanıcıların metinle daha iyi etkileşim kurması gibi farklı sektörlerde ve uygulamalarda kullanılır.
OCR teknolojisinde büyük gelişmeler kaydedilmiş olmasına rağmen, hâlâ hatalar olabilir. Doğruluk, orijinal belgenin kalitesine ve kullanılan OCR yazılımının özelliklerine bağlı olarak değişir.
OCR, temel olarak basılmış metin için tasarlanmıştır, ancak bazı gelişmiş OCR sistemleri, net ve tutarlı el yazısını da tanıyabilir. Ancak, bireysel yazı stillerindeki büyük varyasyonlar nedeniyle, genellikle el yazısının tanınması daha az doğrudur.
Evet, birçok OCR yazılım sistemi birden fazla dili tanıyabilir. Ancak, belirli bir dilin desteklendiğinden emin olmak için kullanılan yazılımı kontrol etmek önemlidir.
OCR, Optical Character Recognition anlamına gelir ve basılı metni tanımak için kullanılır, ICR ise Intelligent Character Recognition anlamına gelir ve daha gelişmiş olup el yazısını tanımak için kullanılır.
OCR, açık, okunabilir fontlar ve standart metin boyutlarıyla en iyi sonucu verir. Farklı fontlar ve boyutlarla da çalışabilir, ancak alışılmadık fontlar veya çok küçük metin boyutlarıyla karşılaştığında doğruluk genellikle azalır.
OCR, düşük çözünürlüklü belgeler, karmaşık fontlar, zayıf basılan metinler, el yazısı ve metni engelleyen arka planları olan belgelerle zorlanabilir. Ayrıca, birçok dili destekleyebilme özelliğine rağmen, her dili mükemmel bir şekilde kapsayamayabilir.
Evet, OCR, renkli metin ve arka planları tarayabilir, ancak genellikle yüksek kontrastlı renk kombinasyonları, örneğin beyaz arka plan üzerinde siyah metin, ile daha etkilidir. Metin ve arka plan rengi yeterli kontrast oluşturmadığında doğruluk düşebilir.
Taşınabilir Gri Tonlama Biçimi (PGM), görüntü işleme ve bilgisayar grafiklerinde gri tonlamalı görüntüleri basit ve sade bir biçimde temsil etmek için yaygın olarak kabul görmüş ve kullanılan bir biçimdir. Önemi sadece basitliğinde değil, aynı zamanda farklı bilgi işlem platformları ve yazılım ekosistemleri arasında esnekliği ve taşınabilirliğinde de yatmaktadır. PGM biçimi bağlamında bir gri tonlamalı görüntü, her pikselin siyahtan beyaza değişen bir yoğunluk değerini temsil ettiği çeşitli gri tonlarından oluşur. PGM standardının formülasyonu, öncelikle minimum hesaplama yüküyle görüntüleri ayrıştırma ve işleme kolaylığına yönelikti ve bu nedenle özellikle hızlı görüntü işleme görevleri ve eğitim amaçları için uygun hale getirdi.
Bir PGM dosyasının yapısı basittir ve görüntü verilerinden önce gelen bir başlıktan oluşur. Başlığın kendisi dört bölüme ayrılmıştır: dosyayı bir PGM olarak tanımlayan ve ikili veya ASCII biçiminde olup olmadığını gösteren sihirli sayı; piksel cinsinden genişlik ve yükseklikle belirtilen görüntü boyutları; her piksel için olası yoğunluk değerleri aralığını belirleyen maksimum gri değeri; ve son olarak isteğe bağlı olan ve görüntü hakkında ek bilgi sağlamak için eklenebilen yorumlar. 'P2' sihirli sayısı bir ASCII PGM'yi gösterirken, 'P5' bir ikili PGM'yi ifade eder. Bu farklılaşma, insan okunabilirliği ile depolama verimliliği arasındaki dengeyi sağlar.
Başlığın ardından, görüntü verileri başlıkta belirtilen piksel boyutlarına karşılık gelen bir ızgara biçiminde özetlenir. Bir ASCII PGM'de (P2), her pikselin yoğunluk değeri düz metin olarak listelenir, görüntünün sol üst köşesinden sağ alt köşesine doğru sıralanır ve boşluklarla ayrılır. Değerler, siyahı temsil eden 0'dan başlıkta belirtilen maksimum gri değerine (beyazı temsil eder) kadar değişir. Bu biçimin okunabilirliği, kolay düzenleme ve hata ayıklama kolaylığı sağlar ancak ikili karşılığına kıyasla dosya boyutu ve ayrıştırma hızı açısından daha az verimlidir.
Öte yandan, ikili PGM dosyaları (P5), görüntü verilerini yoğunluk değerleri için ikili gösterim kullanarak daha sıkıştırılmış bir biçimde kodlar. Bu biçim, dosya boyutunu önemli ölçüde azaltır ve büyük miktarlarda görüntü işleyen veya yüksek performans gerektiren uygulamalar için avantajlı olan daha hızlı okuma/yazma işlemlerine olanak tanır. Bununla birlikte, ikili dosyaların insan tarafından okunamaması ve görüntüleme ve düzenleme için özel yazılım gerektirmesi bir dezavantajdır. İkili bir PGM işlenirken, özellikle son bayt sırası dikkate alınarak dosyanın kodlaması ve sistemin mimarisi göz önünde bulundurularak ikili verilerin doğru şekilde işlenmesi çok önemlidir.
PGM biçiminin esnekliği, başlıktaki maksimum gri değeri parametresiyle gösterilir. Bu değer, görüntünün bit derinliğini belirler ve bu da temsil edilebilecek gri tonlama yoğunlukları aralığını belirler. 255 yaygın bir seçimdir, yani her piksel 0 ile 255 arasında herhangi bir değer alabilir ve bu da 8 bitlik bir görüntüde 256 farklı gri tonlamaya izin verir. Bu ayar çoğu uygulama için yeterlidir; ancak PGM biçimi, maksimum gri değerini artırarak 16 bit/piksel gibi daha yüksek bit derinliklerini destekleyebilir. Bu özellik, yüksek dinamik aralıklı görüntüleme uygulamaları için uygun olan daha ince yoğunluk derecelerine sahip görüntülerin temsil edilmesini sağlar.
PGM biçiminin basitliği, işleme ve düzenlemesine de uzanır. Biçim iyi belgelenmiş olduğundan ve daha gelişmiş görüntü biçimlerinin sahip olduğu karmaşık özelliklerden yoksun olduğundan, PGM görüntülerini ayrıştırmak, değiştirmek ve oluşturmak için programlar yazmak temel programlama becerileriyle gerçekleştirilebilir. Bu erişilebilirlik, görüntü işlemede deney yapmayı ve öğrenmeyi kolaylaştırır ve PGM'yi akademik ortamlarda ve hobiciler arasında popüler bir seçim haline getirir. Dahası, biçiminin karmaşık olmayan yapısı, filtreleme, kenar algılama ve kontrast ayarı gibi görevler için algoritmaların verimli bir şekilde uygulanmasına olanak tanır ve hem araştırma hem de pratik uygulamalarda kullanımına katkıda bulunur.
Güçlü yönlerine rağmen, PGM biçiminin de sınırlamaları vardır. En dikkat çekici olanı, doğası gereği gri tonlama için tasarlandığı için renkli görüntüleri desteklememesidir. Bu, yalnızca tek renkli görüntülerle ilgilenen uygulamalar için bir dezavantaj olmasa da, renk bilgisi gerektiren görevler için Netpbm biçim ailesindeki kardeşlerine, örneğin renkli görüntüler için Taşınabilir Piksel Haritası Biçimi'ne (PPM) başvurulmalıdır. Ek olarak, PGM biçiminin basitliği, JPEG veya PNG gibi daha karmaşık biçimlerinde bulunan sıkıştırma, meta veri depolama (temel yorumların ötesinde) veya katmanlar gibi modern özellikleri desteklemediği anlamına gelir. Bu sınırlama, yüksek çözünürlüklü görüntüler için daha büyük dosya boyutlarına yol açabilir ve belirli uygulamalarda kullanımını kısıtlayabilir.
PGM biçiminin uyumluluğu ve diğer biçimlere kolayca dönüştürülebilirliği, dikkate değer avantajları arasındadır. Görüntü verilerini basit ve belgelenmiş bir şekilde kodladığından, PGM görüntülerini diğer biçimlere dönüştürmek (veya tam tersi) nispeten basittir. Bu özellik, görüntülerin çeşitli biçimlerden kaynaklanabileceği, basitlik uğruna PGM'de işlenebileceği ve ardından dağıtım veya depolama için uygun bir son biçime dönüştürülebileceği görüntü işleme kanalları için mükemmel bir aracı biçim haline getirir. Farklı programlama dillerindeki çok sayıda yardımcı program ve kitaplık, bu dönüştürme süreçlerini destekler ve PGM biçiminin çok yönlü ve uyarlanabilir bir iş akışındaki rolünü güçlendirir.
PGM dosyaları için güvenlik hususları genellikle yanlış biçimlendirilmiş veya kötü amaçlı oluşturulmuş dosyaları ayrıştırma ve işlemeyle ilgili riskler etrafında döner. Basitliği nedeniyle, PGM biçimi daha karmaşık biçimlere kıyasla belirli güvenlik açıklarına karşı daha az hassastır. Bununla birlikte, PGM dosyalarını ayrıştıran uygulamalar, yanlış başlık bilgileri, beklenen boyutları aşan veriler veya geçerli aralık dışındaki değerler gibi beklenmedik girdileri yönetmek için yine de sağlam hata işleme uygulamalıdır. Özellikle kullanıcı tarafından sağlanan görüntüleri kabul eden uygulamalarda PGM dosyalarının güvenli bir şekilde işlenmesini sağlamak, potansiyel güvenlik açıklarını önlemek için çok önemlidir.
İleriye bakıldığında, PGM biçiminin basitliğine ve sınırlamalarına rağmen teknoloji endüstrisinin belirli nişlerindeki kalıcı alaka düzeyi, basit ve iyi belgelenmiş dosya biçimlerinin değerini vurgular. Öğretim aracı olarak rolü, hızlı görüntü işleme görevlerine uygunluğu ve görüntü biçimi dönüşümlerini kolaylaştırması, dosya biçimi tasarımında işlevsellik ve karmaşıklık arasındaki denge önemini örnekler. Teknoloji ilerledikçe, gelişmiş özelliklere, daha iyi sıkıştırmaya ve yeni görüntüleme teknolojilerine destek sunan yeni görüntü biçimleri şüphesiz ortaya çıkacaktır. Ancak PGM biçiminin mirası, performans, basitlik ve taşınabilirliğin optimum bir karışımını hedefleyen gelecekteki biçimlerin tasarımı için bir kıstas olarak hizmet ederek devam edecektir.
Sonuç olarak, Taşınabilir Gri Tonlama Biçimi (PGM), basitliğine rağmen dijital görüntüleme alanında paha biçilmez bir varlıktır. Kullanım kolaylığı, erişilebilirlik ve basitlik üzerine odaklanan tasarım felsefesi, eğitimden yazılım geliştirmeye kadar çeşitli alanlarda sürekli alaka düzeyini sağlamıştır. Gri tonlamalı görüntülerin verimli bir şekilde işlenmesini ve düzenlenmesini sağlayarak PGM biçimi, görüntü işleme meraklıları ve profesyonellerinin araç setinde kendine bir yer edinmiştir. Eğitim değeri, işleme kanallarındaki rolü veya görüntü işlemedeki basitliği için kullanılıp kullanılmadığına bakılmaksızın, PGM biçimi, sürekli gelişen dijital teknoloji manzarasında iyi tasarlanmış, basit dosya biçimlerinin kalıcı etkisinin bir kanıtı olmaya devam etmektedir.
Bu dönüştürücü tamamen tarayıcınızda çalışır. Bir dosya seçtiğinizde, belleğe okunur ve seçilen biçime dönüştürülür. Ardından dönüştürülen dosyayı indirebilirsiniz.
Dönüştürmeler anında başlar ve çoğu dosya bir saniyeden kısa sürede dönüştürülür. Daha büyük dosyalar daha uzun sürebilir.
Dosyalarınız asla sunucularımıza yüklenmez. Tarayıcınızda dönüştürülürler ve dönüştürülen dosya daha sonra indirilir. Dosyalarınızı asla görmeyiz.
JPEG, PNG, GIF, WebP, SVG, BMP, TIFF ve daha fazlası dahil olmak üzere tüm resim formatları arasında dönüştürmeyi destekliyoruz.
Bu dönüştürücü tamamen ücretsizdir ve her zaman ücretsiz olacaktır. Tarayıcınızda çalıştığı için sunucular için ödeme yapmamıza gerek yoktur, bu nedenle sizden ücret almamıza gerek yoktur.
Evet! İstediğiniz kadar dosyayı aynı anda dönüştürebilirsiniz. Sadece eklerken birden fazla dosya seçin.