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.
JPS görüntü formatı, JPEG Stereo'nun kısaltması, dijital kameralarla çekilen veya 3D oluşturma yazılımıyla oluşturulan stereoskopik fotoğrafları depolamak için kullanılan bir dosya biçimidir. Temel olarak, uygun yazılım veya donanımla görüntülendiğinde 3B efekt sağlayan tek bir dosya içinde iki JPEG görüntüsünün yan yana düzenlenmesidir. Bu format, uyumlu görüntüleme sistemlerine veya 3B gözlüklerine sahip kullanıcılar için görüntüleme deneyimini geliştiren görüntülerde derinlik yanılsaması oluşturmak için özellikle kullanışlıdır.
JPS formatı, iki görüntüyü depolamak için köklü JPEG (Ortak Fotoğraf Uzmanları Grubu) sıkıştırma tekniğinden yararlanır. JPEG, dosya boyutunu, genellikle insan gözü için fark edilir bir görüntü kalitesi düşüşü olmadan daha az önemli bilgileri seçici olarak atarak azaltan kayıplı bir sıkıştırma yöntemidir. Bu, JPS dosyalarını tek bir görüntü yerine iki görüntü içermelerine rağmen nispeten küçük ve yönetilebilir hale getirir.
Bir JPS dosyası, belirli bir yapıya sahip temelde bir JPEG dosyasıdır. Tek bir çerçeve içinde yan yana iki JPEG sıkıştırılmış görüntü içerir. Bu görüntülere sol göz ve sağ göz görüntüleri denir ve aynı sahnenin biraz farklı perspektiflerini temsil ederek her bir gözümüzün gördüğü şey arasındaki küçük farkı taklit eder. Bu fark, görüntüler doğru şekilde görüntülendiğinde derinlik algısına olanak tanıyan şeydir.
Bir JPS görüntüsünün standart çözünürlüğü, hem sol hem de sağ görüntüleri barındırmak için tipik olarak standart bir JPEG görüntüsünün genişliğinin iki katıdır. Örneğin, standart bir JPEG görüntüsünün çözünürlüğü 1920x1080 piksel ise, bir JPS görüntüsünün çözünürlüğü 3840x1080 piksel olur ve yan yana her görüntü toplam genişliğin yarısını kaplar. Ancak çözünürlük, görüntünün kaynağına ve amaçlanan kullanıma bağlı olarak değişebilir.
Bir JPS görüntüsünü 3B olarak görüntülemek için, izleyicinin yan yana görüntüleri yorumlayabilen ve bunları her göze ayrı ayrı sunabilen uyumlu bir görüntüleme cihazı veya yazılım kullanması gerekir. Bu, görüntülerin renge göre filtrelendiği ve renkli gözlüklerle görüntülendiği anaglif 3B; görüntülerin polarize filtrelerden yansıtıldığı ve polarize gözlüklerle görüntülendiği polarize 3B; veya görüntülerin dönüşümlü olarak görüntülendiği ve her göze doğru görüntüyü göstermek için hızla açılıp kapanan deklanşör gözlükleriyle senkronize edilen aktif deklanşör 3B gibi çeşitli yöntemlerle başarılabilir.
Bir JPS görüntüsünün dosya yapısı, standart bir JPEG dosyasınınkine benzer. SOI (Görüntünün Başlangıcı) işaretleyicisini içeren bir üst bilgi içerir, ardından çeşitli meta veri parçaları ve görüntü verilerinin kendisini içeren bir dizi segment gelir. Segmentler, Exif meta verileri gibi bilgileri içerebilen APP (Uygulama) işaretleyicilerini ve görüntü verilerini sıkıştırmak için kullanılan nicelleme tablolarını tanımlayan DQT (Nicelleme Tablosunu Tanımla) segmentini içerir.
Bir JPS dosyasındaki önemli segmentlerden biri, dosyanın JFIF standardına uygun olduğunu belirten JFIF (JPEG Dosya Değişim Formatı) segmentidir. Bu segment, çok çeşitli yazılım ve donanımla uyumluluğu sağlamak için önemlidir. Ayrıca, hızlı önizlemeler için kullanılabilen küçük resim görüntüsünün en boy oranı ve çözünürlüğü gibi bilgiler de içerir.
Bir JPS dosyasındaki gerçek görüntü verileri, üst bilgi ve meta veri segmentlerini takip eden SOS (Tarama Başlangıcı) segmentinde saklanır. Bu segment, hem sol hem de sağ görüntüler için sıkıştırılmış görüntü verilerini içerir. Veriler, renk uzayı dönüşümü, alt örnekleme, ayrık kosinüs dönüşümü (DCT), nicelleme ve entropi kodlaması dahil olmak üzere bir dizi adımı içeren JPEG sıkıştırma algoritması kullanılarak kodlanır.
Renk uzayı dönüşümü, görüntü verilerini dijital kameralarda ve bilgisayar ekranlarında yaygın olarak kullanılan RGB renk uzayından JPEG sıkıştırmada kullanılan YCbCr renk uzayına dönüştürme işlemidir. Bu dönüşüm, görüntüyü parlaklık seviyelerini temsil eden bir parlaklık bileşeni (Y) ve renk bilgilerini temsil eden iki renk bileşeni (Cb ve Cr) olmak üzere ayırır. Bu, sıkıştırma için faydalıdır çünkü insan gözü parlaklıktaki değişikliklere renkten daha duyarlıdır ve bu da algılanan görüntü kalitesini önemli ölçüde etkilemeden renk bileşenlerinin daha agresif bir şekilde sıkıştırılmasına olanak tanır.
Alt örnekleme, insan gözünün renk ayrıntılarına olan daha düşük duyarlılığından yararlanan ve renk bileşenlerinin çözünürlüğünü parlaklık bileşenine göre azaltan bir işlemdir. Yaygın alt örnekleme oranları arasında 4:4:4 (alt örnekleme yok), 4:2:2 (renk bileşeninin yatay çözünürlüğünü yarıya indirme) ve 4:2:0 (hem yatay hem de dikey çözünürlüğü yarıya indirme) bulunur. Alt örnekleme oranının seçimi, görüntü kalitesi ile dosya boyutu arasındaki dengeyi etkileyebilir.
Ayrık kosinüs dönüşümü (DCT), görüntü verilerinin uzamsal alan verilerini frekans alanına dönüştürmek için görüntünün küçük bloklarında (tipik olarak 8x8 piksel) uygulanır. Bu adım, JPEG sıkıştırma için çok önemlidir çünkü görüntü ayrıntılarının daha az önemli bileşenlere ayrılmasına olanak tanır ve daha yüksek frekanslı bileşenler genellikle insan gözü tarafından daha az algılanabilir. Bu bileşenler daha sonra nicelleştirilebilir veya hassasiyetleri azaltılarak sıkıştırma elde edilebilir.
Nicelleme, bir değer aralığını tek bir kuantum değerine eşleme işlemidir ve DCT katsayılarının hassasiyetini etkili bir şekilde azaltır. Bu, bazı görüntü bilgilerinin atılması nedeniyle JPEG sıkıştırmanın kayıplı doğasının devreye girdiği yerdir. Nicelleme derecesi, DQT segmentinde belirtilen nicelleme tabloları tarafından belirlenir ve görüntü kalitesini dosya boyutuna göre dengelemek için ayarlanabilir.
JPEG sıkıştırma sürecindeki son adım, kayıpsız sıkıştırma biçimi olan entropi kodlamasıdır. JPEG'de kullanılan en yaygın yöntem, daha sık değerlere daha kısa kodlar ve daha az sık değerlere daha uzun kodlar atayan Huffman kodlamasıdır. Bu, herhangi bir ek bilgi kaybı olmadan görüntü verilerinin genel boyutunu azaltır.
Standart JPEG sıkıştırma tekniklerine ek olarak, JPS formatı, görüntülerin stereoskopik doğasıyla ilgili belirli meta verileri de içerebilir. Bu meta veriler, paralaks ayarları, yakınsama noktaları ve 3B efekti doğru bir şekilde görüntülemek için gerekli olabilecek diğer veriler hakkında bilgi içerebilir. Bu meta veriler genellikle dosyanın APP segmentlerinde saklanır.
JPS formatı, 3B televizyonlar, VR kulaklıklar ve özel fotoğraf görüntüleyiciler dahil olmak üzere çeşitli yazılım uygulamaları ve cihazlar tarafından desteklenir. Ancak, standart JPEG formatı kadar yaygın olarak desteklenmez, bu nedenle kullanıcıların daha geniş uyumluluk için belirli yazılımları kullanması veya JPS dosyalarını başka bir formata dönüştürmesi gerekebilir.
JPS formatıyla ilgili zorluklardan biri, sol ve sağ görüntülerin düzgün bir şekilde hizalanmasını ve doğru paralaksa sahip olmasını sağlamaktır. Hizalama bozukluğu veya yanlış paralaks, rahatsız edici bir görüntüleme deneyimine yol açabilir ve göz yorgunluğuna veya baş ağrılarına neden olabilir. Bu nedenle, fotoğrafçıların ve 3B sanatçıların görüntüleri doğru stereoskopik parametrelerle dikkatlice yakalamaları veya oluşturmaları önemlidir.
Sonuç olarak, JPS görüntü formatı, stereoskopik görüntüleri depolamak ve görüntülemek için tasarlanmış özel bir dosya biçimidir. 3B fotoğrafları depolamak için kompakt ve verimli bir yol oluşturmak için yerleşik JPEG sıkıştırma teknikleri üzerine kuruludur. Benzersiz bir görüntüleme deneyimi sunarken, format, görüntüleri 3B olarak görüntülemek için uyumlu donanım veya yazılım gerektirir ve hizalama ve paralaks açısından zorluklar oluşturabilir. Bu zorluklara rağmen, JPS formatı, dünyanın derinliğini ve gerçekçiliğini dijital bir formatta yakalamak ve paylaşmak isteyen fotoğrafçılar, 3B sanatçılar ve meraklılar için değerli bir araç olmaya devam ediyor.
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.