OCR herhangi bir PNG8

Bir fotoğraf, tarama veya PDF (2.5GB'a kadar) bırakın. Metni doğrudan tarayıcınızda çıkarırız — ücretsiz, sınırsız ve dosyalarınız asla cihazınızdan ayrılmaz.

Özel ve güvenli

Her şey tarayıcınızda gerçekleşir. Dosyalarınız sunucularımıza asla dokunmaz.

Çok hızlı

Yükleme yok, bekleme yok. Bir dosyayı bıraktığınız anda dönüştürün.

Gerçekten ücretsiz

Hesap gerekmez. Gizli maliyet yok. Dosya boyutu hilesi yok.

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.

Boru hattına hızlı bir bakış

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.

Motorlar ve kütüphaneler

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.

Veri setleri ve karşılaştırmalar

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.

Çıktı formatları ve alt akım kullanımı

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.

Pratik rehberlik

  • Veri ve temizlikle başlayın. Görüntüleriniz telefon fotoğrafları veya karışık kalitede taramalar ise, herhangi bir model ayarlamasından önce eşiklemeye (uyarlanabilir ve Otsu) ve eğrilik düzeltmeye (Hough) yatırım yapın. Genellikle sağlam bir ön işleme reçetesinden, tanıyıcıları değiştirmekten daha fazla kazanç sağlarsınız.
  • Doğru dedektörü seçin. Düzenli sütunlu taranmış sayfalar için bir sayfa segmentleyici (bölgeler → satırlar) yeterli olabilir; doğal görüntüler için, EAST gibi tek atışlı dedektörler güçlü temel çizgilerdir ve birçok araç setine takılır (OpenCV örneği).
  • Metninize uyan bir tanıyıcı seçin. Basılı Latin için, Tesseract (LSTM/OEM) sağlam ve hızlıdır; çoklu komut dosyası veya hızlı prototipler için, EasyOCR üretkendir; el yazısı veya tarihi yazı karakterleri için, Kraken veya Calamari 'yi düşünün ve ince ayar yapmayı planlayın. Belge anlamaya (anahtar-değer çıkarma, VQA) sıkı bir şekilde bağlanmanız gerekiyorsa, şemanızda TrOCR (OCR) ile Donut (OCR'siz) karşılaştırmasını değerlendirin—Donut bütün bir entegrasyon adımını kaldırabilir.
  • Önemli olanı ölçün. Uçtan uca sistemler için, tespit F-skoru ve tanıma CER/WER'yi (her ikisi de Levenshtein düzenleme mesafesine dayanır; bkz. CTC) raporlayın; düzen ağırlıklı görevler için, IoU/sıkılığı ve karakter düzeyinde normalleştirilmiş düzenleme mesafesini ICDAR RRC değerlendirme kitlerindeki gibi izleyin.
  • Zengin çıktılar dışa aktarın. hOCR /ALTO 'yu (veya her ikisini) tercih edin, böylece koordinatları ve okuma sırasını korursunuz—arama sonucu vurgulama, tablo/alan çıkarma ve köken için hayati önem taşır. Tesseract’ın CLI'si ve pytesseract bunu tek satırlık hale getirir.

İleriye bakış

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.

Daha fazla okuma ve araçlar

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

Sıkça Sorulan Sorular

OCR nedir?

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 nasıl çalışır?

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'nin pratik uygulamaları nelerdir?

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 her zaman %100 doğru mudur?

OCR teknolojisinde büyük gelişmeler kaydedilmiş olmasına rağmen, hâlâ hatalar olabilir. Doğruluk, orijinal belgenin kalitesine ve kullanılan OCR yazılımının özelliklerine bağlı olarak değişir.

OCR el yazısını tanıyabilir mi?

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.

OCR birden fazla dili destekler mi?

Evet, birçok OCR yazılım sistemi birden fazla dili tanıyabilir. Ancak, belirli bir dilin desteklendiğinden emin olmak için kullanılan yazılımı kontrol etmek önemlidir.

OCR ve ICR arasındaki fark nedir?

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 herhangi bir font ve metin boyutuyla çalışabilir mi?

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 teknolojisinin sınırlamaları nelerdir?

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.

OCR, renkli metinleri veya renkli arka planları tarayabilir mi?

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.

PNG8 formatı nedir?

Opak veya ikili saydam 8-bit dizinli

PNG64 görüntü formatı, yaygın olarak tanınan Taşınabilir Ağ Grafikleri (PNG) formatının gelişmiş bir sürümü olarak öne çıkmakta ve dijital görüntülemede daha yüksek renk derinlikleri ve gelişmiş şeffaflık yeteneklerine olan ihtiyacı karşılamak üzere uyarlanmıştır. Bu gelişmiş sürüm, kanal başına 16 bit olan kırmızı, yeşil, mavi ve alfa şeffaflık kanalı için ek 16 bit olmak üzere 64 bit renk derinliğini destekleyerek geleneksel PNG'nin yeteneklerini genişletmektedir. Bu temel geliştirme, 281 trilyondan fazla renk olanağı sunarak görüntü kalitesinde yeni bir dönemi başlatmakta ve böylece görüntülerin benzersiz bir hassasiyet ve canlılıkla işlenmesini sağlamaktadır.

PNG64 formatının ortaya çıkışı, dijital sanat, profesyonel fotoğrafçılık ve yüksek çözünürlüklü grafik tasarımı gibi çeşitli uygulamalarda dijital görüntülerde daha yüksek doğruluk talebinin artmasına dayanmaktadır. JPEG veya standart PNG gibi geleneksel görüntü formatları, kanal başına genellikle 8 veya 16 bit ile sınırlı olan renk derinliklerine sahiptir ve bu da gradyanlarda bantlanmaya ve yüksek kontrastlı sahnelerde yetersiz ayrıntı yakalanmasına neden olabilir. PNG64, bir görüntüde kodlanabilen renk ve ayrıntı aralığını önemli ölçüde artırarak bu sınırlamaları giderir ve bu da onu en yüksek kaliteyi arayan profesyoneller için değerli bir araç haline getirir.

PNG64 formatı, özünde, kaydedildiğinde görüntü kalitesinde kayıp olmamasını sağlayan aynı kayıpsız sıkıştırma algoritmasını kullanarak selefinin yapısal bütünlüğünü ve işlevselliğini korur. Bu, özellikle hassasiyetin çok önemli olduğu arşivleme amaçları ve dijital arşivleme ve bilimsel görüntüleme gibi endüstriler için çok önemlidir. PNG64'ün kayıpsız doğası, daha yüksek doğruluğuna rağmen, görüntülerin herhangi bir ayrıntıyı feda etmeden yönetilebilir bir boyuta sıkıştırılabileceği anlamına gelir ve bu da onu hem çevrimdışı hem de çevrimiçi kullanımlar için pratik bir seçim haline getirir.

PNG64'teki gelişmiş alfa şeffaflık kanalı, yarı saydam ve şeffaf nesnelerin işlenmesinde önemli bir ilerlemeyi temsil etmektedir. Şeffaflığa ayrılmış 16 bit ile PNG64, tamamen şeffaftan tamamen opaklığa kadar çok daha yumuşak bir opaklık seviyesi gradyanı sağlar. Bu özellik, nüanslı şeffaflık efektlerinin görsel sunumu üzerinde önemli bir etkiye sahip olabileceği grafik tasarımda ve simgelerin ve arayüz öğelerinin çeşitli arka planlarla sorunsuz bir şekilde harmanlanması için genellikle hassas şeffaflık gerektiren web tasarımında özellikle faydalıdır.

PNG64'ü benimsemek, özellikle dosya boyutu ve uyumluluk açısından belirli hususları gerektirir. Genişletilmiş renk ve şeffaflık derinliği göz önüne alındığında, PNG64 dosyaları doğası gereği PNG muadillerinden daha büyüktür. Bunun, yükleme sürelerinin ve bant genişliği kullanımının kritik faktörler olduğu web kullanımı için etkileri vardır. Sonuç olarak, PNG64'ü, görüntü kalitesinin dosya boyutuna göre önceliklendirildiği durumlar için ayırarak dikkatli bir şekilde kullanmanız önerilir. Ayrıca, kanal başına 16 bit desteklemeyen eski yazılım veya sistemlerle uyumluluk zorluklar doğurabilir ve sorunsuz bir deneyim sağlamak için son kullanıcı ortamlarında kontroller gerektirebilir.

PNG64'ün teknik altyapısı, standart PNG dosyalarının yapısını yakından yansıtan dosya yapısında kök salmaktadır. Bir PNG64 dosyası, boyutları ve bit derinliği gibi görüntü hakkında kritik bilgiler içeren bir başlıktan ve gerçek görüntü verilerini ve meta verilerini depolayan birkaç parçadan oluşur. PNG64'teki artan bit derinliği, bu parçaların 64 bit renkli görüntüler tarafından gereken daha büyük miktarda veriyi barındırmalarına olanak tanıyan değişiklikler gerektirir. Bunlar arasında, her kanal için 16 bit derinliği doğru bir şekilde işaretleyerek düzgün kod çözme ve görüntüleme sağlaması gerektiğinden, Görüntü Başlığı (IHDR) parçası çok önemli bir rol oynar.

PNG64'teki sıkıştırma, standart PNG dosyalarında kullanılan aynı DEFLATE algoritmasını kullanarak en etkileyici özelliklerinden biri olmaya devam etmektedir. Artan veri miktarına rağmen, bu algoritma görüntü verilerindeki fazlalığı tanımlayarak ve ortadan kaldırarak dosya boyutlarını verimli bir şekilde azaltır. Bununla birlikte, sıkıştırmanın etkinliği görüntü içeriğine bağlı olarak değişebilir; büyük tek renkli alanlara veya basit desenlere sahip görüntüler daha etkili bir şekilde sıkıştırma eğilimindedir. Bu doğasında var olan değişkenlik, PNG64'ü seçerken görüntünün doğasını dikkate almanın önemini vurgular, çünkü yüksek renk varyasyonuna sahip karmaşık görüntüler daha büyük dosya boyutlarına neden olabilir.

PNG64 görüntülerinin oluşturulması ve işlenmesi, bu formata özgü gelişmiş özellikleri işleyebilen özel yazılım gerektirir. Birçok üst düzey görüntü düzenleme ve grafik yazılımı, PNG64'ü desteklemek için güncellenmiş ve kullanıcılara bu formatla doğrudan çalışma olanağı sunmuştur. Buna bit derinliğini ayarlama, renk profillerini yönetme ve şeffaflık ayarlarını ince ayar yapma gibi özellikler dahildir. Geliştiriciler için libpng gibi kitaplıklar, PNG64 desteğini içerecek şekilde genişletilerek bu formatın uygulamalara ve hizmetlere entegre edilmesi kolaylaştırılmıştır.

PNG64'ün temel uygulamalarından biri, ışıktaki en geniş renk ve nüans aralığını yakalamanın çok önemli olduğu dijital fotoğrafçılıktır. Fotoğrafçılar, formatın orijinal sahnenin bütünlüğünü koruyabilme özelliğinden, ince tonların ve gradyanların nefes kesici ayrıntılarla korunmasından faydalanabilirler. Bu, PNG64'ü fotoğrafların ana kopyalarını saklamak için ideal bir seçim haline getirir ve bozulma olmadan doğru bir şekilde yeniden üretilebilen veya değiştirilebilen dijital bir negatif sağlar.

Dijital sanat ve grafik tasarım alanında PNG64'ün derin renk ve şeffaflık yetenekleri yeni yaratıcı olanaklar sunar. Sanatçılar, özellikle karmaşık kompozisyonlarda veya çeşitli karıştırma modlarıyla çalışırken önemli olan daha geniş bir renk paleti ve ince şeffaflık efektleri kullanabilirler. Geliştirilmiş ayrıntı ve renk özgüllüğü, PNG64'ü sanat eserinin gerçek renklerini ve dokularını yeniden üretmenin çok önemli olduğu profesyonel baskı senaryoları için de uygun hale getirir.

Birçok avantajına rağmen, PNG64, özellikle performans ve depolama açısından zorluklar yaşamamaktadır. PNG64 görüntüleriyle ilişkili daha büyük dosya boyutları, özellikle kaynak açısından sınırlı ortamlarda depolama çözümlerini zorlayabilir ve görüntü işleme sürelerini yavaşlatabilir. Ayrıca, 64 bit renk verilerini işleme karmaşıklığı, donanım ve yazılımdan daha fazlasını talep ederek PNG64'ün düşük özellikli cihazlarda kullanımını sınırlayabilir ve genel sistem performansını etkileyebilir.

PNG64'ün dijital görüntüleme alanındaki geleceği, sıkıştırma algoritmalarındaki ve işleme donanımındaki devam eden gelişmelerle umut verici görünüyor ve dosya boyutu ve performansla ilgili endişeleri giderek azaltıyor. Teknoloji ilerledikçe, kalite ve verimlilik arasındaki dengelemelerin azalması bekleniyor ve bu da PNG64'ü daha geniş bir uygulama yelpazesi için daha erişilebilir ve çekici hale getiriyor. Ayrıca, dijital içerik oluşturma ve tüketiminde görsel doğruluğun artan önemi, PNG64 formatının sürekli alaka düzeyini ve potansiyel genişlemesini vurguluyor.

Sonuç olarak, PNG64 görüntü formatı, dijital görüntüleme teknolojisinde önemli bir ilerlemeyi temsil ederek benzeri görülmemiş renk derinliği ve şeffaflık kontrolü sunmaktadır. Görüntüleri olağanüstü ayrıntı ve canlılıkla işleme yeteneği, onu profesyoneller ve meraklılar için ilgi çekici bir seçim haline getirmektedir. Format, dosya boyutu, uyumluluk ve performans açısından zorluklar ortaya koysa da, görüntü kalitesinde sağladığı faydalar benzersizdir. Dijital görüntüleme endüstrisi gelişmeye devam ettikçe, PNG64, görsel temsilde mükemmellik arayışının bir kanıtı olarak öne çıkmakta ve dijital sanat, fotoğrafçılık ve grafik tasarımın geleceğinde çok önemli bir rol oynayacağına söz vermektedir.

Desteklenen formatlar

AAI.aai

AAI Dune resmi

AI.ai

Adobe Illustrator CS2

AVIF.avif

AV1 Resim Dosya Biçimi

BAYER.bayer

Ham Bayer Resmi

BMP.bmp

Microsoft Windows bitmap resmi

CIN.cin

Cineon Resim Dosyası

CLIP.clip

Resim Clip Maskesi

CMYK.cmyk

Ham siyan, magenta, sarı ve siyah örnekleri

CUR.cur

Microsoft simgesi

DCX.dcx

ZSoft IBM PC çok sayfalı Paintbrush

DDS.dds

Microsoft DirectDraw Yüzeyi

DPX.dpx

SMTPE 268M-2003 (DPX 2.0) resmi

DXT1.dxt1

Microsoft DirectDraw Yüzeyi

EPDF.epdf

Encapsulated Portable Document Format

EPI.epi

Adobe Encapsulated PostScript Interchange biçimi

EPS.eps

Adobe Encapsulated PostScript

EPSF.epsf

Adobe Encapsulated PostScript

EPSI.epsi

Adobe Encapsulated PostScript Interchange biçimi

EPT.ept

TIFF önizlemeli Encapsulated PostScript

EPT2.ept2

TIFF önizlemeli Encapsulated PostScript Level II

EXR.exr

Yüksek dinamik aralıklı (HDR) resim

FF.ff

Farbfeld

FITS.fits

Esnek Resim Taşıma Sistemi

GIF.gif

CompuServe grafik değişim biçimi

HDR.hdr

Yüksek Dinamik Aralıklı resim

HEIC.heic

Yüksek Verimlilik Görüntü Kapsayıcısı

HRZ.hrz

Yavaş Tarama Televizyonu

ICO.ico

Microsoft simgesi

ICON.icon

Microsoft simgesi

J2C.j2c

JPEG-2000 kod akışı

J2K.j2k

JPEG-2000 kod akışı

JNG.jng

JPEG Ağ Grafikleri

JP2.jp2

JPEG-2000 Dosya Biçimi Sözdizimi

JPE.jpe

Joint Photographic Experts Group JFIF biçimi

JPEG.jpeg

Joint Photographic Experts Group JFIF biçimi

JPG.jpg

Joint Photographic Experts Group JFIF biçimi

JPM.jpm

JPEG-2000 Dosya Biçimi Sözdizimi

JPS.jps

Joint Photographic Experts Group JPS biçimi

JPT.jpt

JPEG-2000 Dosya Biçimi Sözdizimi

JXL.jxl

JPEG XL resmi

MAP.map

Çok çözünürlüklü Dikişsiz Resim Veritabanı (MrSID)

MAT.mat

MATLAB seviye 5 resim biçimi

PAL.pal

Palm pixmap

PALM.palm

Palm pixmap

PAM.pam

Ortak 2-boyutlu bitmap formatı

PBM.pbm

Taşınabilir bitmap formatı (siyah ve beyaz)

PCD.pcd

Fotoğraf CD

PCT.pct

Apple Macintosh QuickDraw/PICT

PCX.pcx

ZSoft IBM PC Paintbrush

PDB.pdb

Palm Veritabanı ImageViewer Formatı

PDF.pdf

Taşınabilir Belge Formatı

PDFA.pdfa

Taşınabilir Belge Arşiv Formatı

PFM.pfm

Taşınabilir float formatı

PGM.pgm

Taşınabilir gri tonlama formatı (gri ölçek)

PGX.pgx

JPEG 2000 sıkıştırılmamış formatı

PICT.pict

Apple Macintosh QuickDraw/PICT

PJPEG.pjpeg

Joint Photographic Experts Group JFIF formatı

PNG.png

Taşınabilir Ağ Grafikleri

PNG00.png00

PNG orijinal görüntüden bit derinliği, renk tipi devralan

PNG24.png24

Opak veya ikili saydam 24-bit RGB (zlib 1.2.11)

PNG32.png32

Opak veya ikili saydam 32-bit RGBA

PNG48.png48

Opak veya ikili saydam 48-bit RGB

PNG64.png64

Opak veya ikili saydam 64-bit RGBA

PNG8.png8

Opak veya ikili saydam 8-bit dizinli

PNM.pnm

Taşınabilir herhangi bir harita

PPM.ppm

Taşınabilir pixmap formatı (renk)

PS.ps

Adobe PostScript dosyası

PSB.psb

Adobe Büyük Belge Formatı

PSD.psd

Adobe Photoshop bitmap

RGB.rgb

Ham kırmızı, yeşil ve mavi örnekleri

RGBA.rgba

Ham kırmızı, yeşil, mavi ve alfa örnekleri

RGBO.rgbo

Ham kırmızı, yeşil, mavi ve opaklık örnekleri

SIX.six

DEC SIXEL Grafik Formatı

SUN.sun

Sun Rasterfile

SVG.svg

Ölçeklenebilir Vektör Grafikleri

TIFF.tiff

Etiketli Görüntü Dosya Formatı

VDA.vda

Truevision Targa görüntüsü

VIPS.vips

VIPS görüntüsü

WBMP.wbmp

Kablosuz Bitmap (seviye 0) görüntüsü

WEBP.webp

WebP Görüntü Formatı

YUV.yuv

CCIR 601 4:1:1 veya 4:2:2

Sıkça sorulan sorular

Bu nasıl çalışır?

Bu dönüştürücü tamamen tarayıcınızda çalışır. Bir dosya seçtiğinizde, belleğe okunur ve seçilen biçime dönüştürülür. Ardından dönüştürülen dosyayı indirebilirsiniz.

Bir dosyayı dönüştürmek ne kadar sürer?

Dönüştürmeler anında başlar ve çoğu dosya bir saniyeden kısa sürede dönüştürülür. Daha büyük dosyalar daha uzun sürebilir.

Dosyalarıma ne olur?

Dosyalarınız asla sunucularımıza yüklenmez. Tarayıcınızda dönüştürülürler ve dönüştürülen dosya daha sonra indirilir. Dosyalarınızı asla görmeyiz.

Hangi dosya türlerini dönüştürebilirim?

JPEG, PNG, GIF, WebP, SVG, BMP, TIFF ve daha fazlası dahil olmak üzere tüm resim formatları arasında dönüştürmeyi destekliyoruz.

Bu ne kadar?

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.

Aynı anda birden fazla dosyayı dönüştürebilir miyim?

Evet! İstediğiniz kadar dosyayı aynı anda dönüştürebilirsiniz. Sadece eklerken birden fazla dosya seçin.