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.
JPEG, Ortak Fotoğraf Uzmanları Grubu anlamına gelir, dijital fotoğrafçılıkla üretilen görüntüler için özellikle kayıplı sıkıştırma yöntemi olarak yaygın olarak kullanılan bir yöntemdir. Sıkıştırma derecesi ayarlanabilir ve depolama boyutu ile görüntü kalitesi arasında seçilebilir bir denge sağlar. JPEG, genellikle görüntü kalitesinde çok az algılanabilir kayıpla 10:1 sıkıştırma elde eder.
JPEG sıkıştırma algoritması, JPEG standardının merkezinde yer alır. İşlem, tipik RGB renk uzayından YCbCr olarak bilinen farklı bir renk uzayına dönüştürülen dijital bir görüntüyle başlar. YCbCr renk uzayı, görüntüyü parlaklık seviyelerini temsil eden parlaklık (Y) ve renk bilgilerini temsil eden renk farkı (Cb ve Cr) olmak üzere ayırır. Bu ayrım faydalıdır çünkü insan gözü renklerden ziyade parlaklıktaki değişikliklere karşı daha hassastır ve bu da sıkıştırmanın renk bilgilerini parlaklıktan daha fazla sıkıştırarak bundan yararlanmasını sağlar.
Görüntü YCbCr renk uzayına girdikten sonra, JPEG sıkıştırma işlemindeki bir sonraki adım, renk farkı kanallarını aşağı örneklemektir. Aşağı örnekleme, insan gözünün renk ayrıntılarına karşı daha düşük hassasiyeti nedeniyle genellikle görüntünün algılanan kalitesini önemli ölçüde etkilemeyen renk farkı bilgilerinin çözünürlüğünü azaltır. Bu adım isteğe bağlıdır ve görüntü kalitesi ile dosya boyutu arasındaki istenen dengeye bağlı olarak ayarlanabilir.
Aşağı örneklemeden sonra görüntü, genellikle 8x8 piksel boyutunda bloklara bölünür. Ardından her blok ayrı ayrı işlenir. Her bloğu işlemenin ilk adımı, Ayrık Kosinüs Dönüşümü'nü (DCT) uygulamaktır. DCT, uzamsal alan verilerini (piksel değerlerini) frekans alanına dönüştüren matematiksel bir işlemdir. Sonuç, görüntü bloğunun verilerini uzamsal frekans bileşenleri açısından temsil eden bir frekans katsayıları matrisidir.
DCT'den kaynaklanan frekans katsayıları daha sonra nicelenir. Niceleme, büyük bir giriş değerleri kümesini daha küçük bir kümeye eşleme işlemidir - JPEG durumunda bu, frekans katsayılarının hassasiyetini azaltmak anlamına gelir. Sıkıştırmanın kayıplı kısmı burada gerçekleşir, çünkü bazı görüntü bilgileri atılır. Niceleme adımı, her frekans bileşenine ne kadar sıkıştırma uygulanacağını belirleyen bir nicelleme tablosu tarafından kontrol edilir. Nicelleme tabloları, daha yüksek görüntü kalitesini (daha az sıkıştırma) veya daha küçük dosya boyutunu (daha fazla sıkıştırma) desteklemek için ayarlanabilir.
Nicellemeden sonra katsayılar, sol üst köşeden başlayarak ve daha yüksek frekanslı bileşenlere göre daha düşük frekanslı bileşenlere öncelik veren bir zikzak düzeninde düzenlenir. Bunun nedeni, daha düşük frekanslı bileşenlerin (görüntünün daha düzgün kısımlarını temsil eden) daha yüksek frekanslı bileşenlerden (daha ince ayrıntıları ve kenarları temsil eden) genel görünüm için daha önemli olmasıdır.
JPEG sıkıştırma işlemindeki bir sonraki adım, kayıpsız bir sıkıştırma yöntemi olan entropi kodlamadır. JPEG'de kullanılan en yaygın entropi kodlama biçimi Huffman kodlamasıdır, ancak aritmetik kodlama da bir seçenektir. Huffman kodlaması, daha sık görülen olaylara daha kısa kodlar ve daha az sık görülen olaylara daha uzun kodlar atayarak çalışır. Zikzak düzeni benzer frekans katsayılarını bir araya getirme eğiliminde olduğundan, Huffman kodlamasının verimliliğini artırır.
Entropi kodlaması tamamlandıktan sonra, sıkıştırılmış veriler JPEG standardına uygun bir dosya biçiminde saklanır. Bu dosya biçimi, boyutları ve kullanılan nicelleme tabloları gibi görüntü hakkında bilgi içeren bir üst bilgi içerir ve ardından Huffman kodlu görüntü verileri gelir. Dosya biçimi ayrıca, fotoğrafı çekmek için kullanılan kamera ayarları, çekildiği tarih ve saat ve diğer ilgili ayrıntılar hakkında bilgi içerebilen EXIF verileri gibi meta verilerin eklenmesini de destekler.
Bir JPEG görüntüsü açıldığında, sıkıştırma işlemi sıkıştırma adımlarını esasen tersine çevirir. Huffman kodlu veriler kodunun çözülmesi, nicelenen frekans katsayıları sıkıştırma sırasında kullanılan aynı nicelleme tabloları kullanılarak nicelenir ve ters Ayrık Kosinüs Dönüşümü (IDCT), frekans alanı verilerini uzamsal alan piksel değerlerine geri dönüştürmek için her bloğa uygulanır.
Nicelenme ve IDCT işlemleri, sıkıştırmanın kayıplı doğası nedeniyle bazı hatalar getirir, bu nedenle JPEG, birden fazla düzenlemeye ve yeniden kaydetmeye tabi tutulacak görüntüler için ideal değildir. Bir JPEG görüntüsü her kaydedildiğinde, sıkıştırma işleminden tekrar geçer ve ek görüntü bilgisi kaybolur. Bu, zamanla görüntü kalitesinde gözle görülür bir bozulmaya yol açabilir, bu da 'nesil kaybı' olarak bilinen bir olgudur.
JPEG sıkıştırmasının kayıplı doğasına rağmen, esnekliği ve verimliliği nedeniyle popüler bir görüntü formatı olmaya devam etmektedir. JPEG görüntüleri dosya boyutu olarak çok küçük olabilir, bu da bunları bant genişliği ve yükleme sürelerinin önemli hususlar olduğu web üzerinde kullanım için ideal hale getirir. Ek olarak, JPEG standardı, bir görüntünün birden fazla geçişte kodlanmasına izin veren ve her geçişin görüntünün çözünürlüğünü iyileştirdiği aşamalı bir mod içerir. Bu, web görüntüleri için özellikle kullanışlıdır, çünkü görüntünün düşük kaliteli bir sürümünün hızlı bir şekilde görüntülenmesine olanak tanır ve daha fazla veri indirildikçe kalite artar.
JPEG'in ayrıca bazı sınırlamaları vardır ve her tür görüntü için her zaman en iyi seçim değildir. Örneğin, keskin kenarları veya yüksek kontrastlı metni olan görüntüler için uygun değildir, çünkü sıkıştırma bu alanların etrafında fark edilir eserler oluşturabilir. Ek olarak, JPEG, PNG ve GIF gibi diğer formatlar tarafından sağlanan bir özellik olan şeffaflığı desteklemez.
Orijinal JPEG standardının bazı sınırlamalarını gidermek için JPEG 2000 ve JPEG XR gibi yeni formatlar geliştirilmiştir. Bu formatlar, gelişmiş sıkıştırma verimliliği, daha yüksek bit derinlikleri desteği ve şeffaflık ve kayıpsız sıkıştırma gibi ek özellikler sunar. Ancak, henüz orijinal JPEG formatıyla aynı yaygın benimseme düzeyine ulaşamamışlardır.
Sonuç olarak, JPEG görüntü formatı, matematik, insan görsel psikolojisi ve bilgisayar biliminin karmaşık bir dengesidir. Yaygın kullanımı, çoğu uygulama için kabul edilebilir bir görüntü kalitesi seviyesini korurken dosya boyutlarını azaltmadaki etkinliğinin bir kanıtıdır. JPEG'in teknik yönlerini anlamak, kullanıcıların bu formatı ne zaman kullanacakları ve kalite ve dosya boyutu dengesini ihtiyaçlarına en uygun şekilde optimize etmek için görüntülerini nasıl optimize edecekleri konusunda bilinçli kararlar vermelerine yardımcı olabilir.
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.