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 Belge Formatı (PDF), 1993 yılında Adobe Systems tarafından geliştirilen çok yönlü bir dosya biçimidir. Metin biçimlendirme ve görüntüler de dahil olmak üzere belgeleri, uygulama yazılımı, donanım ve işletim sistemlerinden bağımsız bir şekilde sunmak üzere tasarlanmıştır. PDF'ler, metin, yazı tipleri, vektör grafikleri, raster görüntüleri ve belgenin amaçlandığı şekilde görüntülenmesi için gereken diğer bilgiler de dahil olmak üzere çok çeşitli içerikleri kapsayabilir. Biçim, farklı platformlarda belge alışverişi için bir standart haline gelmiştir ve iş, eğitim ve devlet kurumlarında yaygın olarak kullanılmaktadır.
PDF, iki gruba ayrılabilecek çeşitli görüntü türlerini destekler: vektör görüntüler ve raster görüntüler. Vektör görüntüler, kalite kaybı olmadan ölçeklenebilir kılan matematiksel denklemlerle tanımlanan yollardan oluşur. İllüstrasyonlar, logolar ve metin için idealdirler. Öte yandan raster görüntüler, sabit bir piksel ızgarasından oluşur ve fotoğraflar ve dijital sanat eserleri için kullanılır. Ölçeklendiklerinde kalite kaybedebilirler. PDF'ler her iki görüntü türünü de içerebilir ve kaliteyi önemli ölçüde düşürmeden dosya boyutunu azaltmak için çeşitli algoritmalar kullanılarak sıkıştırılabilirler.
Bir görüntü bir PDF'ye gömüldüğünde, dosya boyutunu azaltmak için genellikle sıkıştırılır. PDF, bu amaç için çeşitli sıkıştırma algoritmalarını destekler. Raster görüntüler için, JPEG gibi kayıplı sıkıştırma yöntemleri genellikle fotoğraflar için kullanılır, çünkü kalitede minimum görünür kayıpla dosya boyutunu önemli ölçüde azaltabilirler. Görüntü kalitesinin birinci derecede önemli olduğu durumlarda PNG ve TIFF gibi kayıpsız sıkıştırma yöntemleri kullanılır. Vektör görüntüler için sıkıştırma, görüntü yollarının verimli matematiksel gösterimlerinin kullanılmasıyla elde edilir ve ZIP gibi sıkıştırma algoritmalarının kullanımı bu gösterimlerin boyutunu azaltmak için uygulanabilir.
Bir görüntüyü bir PDF'ye gömme işlemi birkaç adımı içerir. İlk olarak, görüntü belirli bir sıkıştırma algoritması kullanılarak kodlanır. Kodlanmış görüntü verileri daha sonra, görüntünün boyutları, çözünürlüğü ve renk uzayı hakkındaki bilgilerle birlikte PDF dosya yapısına gömülür. PDF ayrıca görüntünün nasıl işleneceğiyle ilgili bilgileri de depolar; belge görüntülendiğinde veya yazdırıldığında uygulanması gereken ölçekleme, döndürme veya kırpma gibi dönüşümler de buna dahildir.
Renk yönetimi, PDF görüntülerinin önemli bir yönüdür. PDF'ler, DeviceRGB, DeviceCMYK ve DeviceGray gibi çeşitli renk uzaylarını ve farklı cihazlarda daha doğru renk üretimi sağlayan CalRGB ve ICC tabanlı renk uzayları gibi daha gelişmiş renk uzaylarını destekler. Bir görüntü bir PDF'ye gömüldüğünde, renk uzayı tanımlanır ve gerekirse renk profilleri, renklerin farklı cihazlarda tutarlı bir şekilde görüntülenmesini sağlamak için gömülebilir.
Şeffaflık, PDF görüntülerinin desteklediği bir diğer özelliktir. Bu, görüntülerin karmaşık görsel efektler oluşturmak için kullanılabilecek değişen opaklık seviyelerine sahip olmasını sağlar. PDF'lerdeki şeffaflık, şeffaf nesnelerin renklerinin arkalarındaki nesnelerin renkleriyle nasıl harmanlandığını belirleyen özel harmanlama modlarının kullanımıyla işlenir. Bu özellik, görüntüleri üst üste bindirmek veya bir görüntünün üzerine metin eklemek için özellikle kullanışlıdır.
PDF ayrıca görüntü dosyalarına meta veri eklenmesini de destekler. Bu meta veri, yazar, telif hakkı, oluşturma tarihi ve anahtar kelimeler gibi görüntü hakkında bilgiler içerebilir. Bu bilgiler, belge yönetimi ve geri alma işlemleri için ve telif hakkıyla korunan görüntülerin kullanımı için uygun kredinin verilmesini sağlamak için faydalı olabilir. Meta veri, PDF içinde standartlaştırılmış bir biçimde depolanır ve bu da çeşitli yazılım uygulamaları tarafından kolayca erişilebilir ve okunabilir olmasını sağlar.
Güvenlik, PDF formatının temel bir özelliğidir ve bu, PDF belgelerindeki görüntülere de uzanır. PDF'ler şifrelenebilir ve bunlara erişim parolalar kullanılarak kontrol edilebilir. Bu, PDF'lere gömülü hassas görüntülerin yetkisiz erişime karşı korunabileceği anlamına gelir. Ek olarak, PDF'ler, içerdiği görüntüler de dahil olmak üzere bir belgenin özgünlüğünü ve bütünlüğünü doğrulamak için kullanılabilecek dijital imzaları destekler.
PDF formatı aynı zamanda erişilebilirlik için tasarlanmıştır, yani engelli kişilerin belgeleri kullanabilmelerini sağlayan özellikleri destekler. Görüntüler için bu, ekran okuyucular tarafından okunabilen alternatif metin açıklamaları ekleme olanağını içerir. Bu, görüntülerle iletilen bilgilerin görme engelli kullanıcılar tarafından erişilebilir olmasını sağlar.
Yazdırma söz konusu olduğunda, PDF'ler kendi kendine yeten yapıları nedeniyle oldukça güvenilirdir. Görüntüler de dahil olmak üzere belgeyi doğru bir şekilde yeniden üretmek için gerekli tüm bilgiler dosyaya gömülüdür. Bu, bir PDF'nin, kullanılan cihaza veya yazılıma bakılmaksızın herhangi bir yazıcıda aynı şekilde yazdırılacağı anlamına gelir. Bu, broşürler ve dergiler gibi hassas düzen ve yüksek kaliteli görüntüler gerektiren belgeler için özellikle önemlidir.
PDF dosyaları etkileşimli olabilir ve bu görüntüler için de geçerlidir. Bir PDF'deki görüntüler köprülenebilir, yani bir görüntüye tıklamak kullanıcıyı belgenin farklı bir bölümüne veya hatta harici bir web sitesine götürebilir. Ek olarak, PDF'ler, kullanıcı deneyimini ve belgenin işlevselliğini artıran görüntülerle ilişkilendirilebilecek form alanları, açıklamalar ve diğer etkileşimli öğeleri içerebilir.
PDF'lerin oluşturulması ve düzenlenmesi, görüntülerin gömülmesi ve düzenlenmesi de dahil olmak üzere çeşitli yazılım araçları kullanılarak yapılabilir. Adobe Acrobat en iyi bilinen PDF düzenleyicisidir, ancak ücretsiz ve açık kaynaklı seçenekler de dahil olmak üzere başka birçok araç mevcuttur. Bu araçlar, kullanıcıların PDF'lere görüntü eklemelerine, bunları yeniden boyutlandırıp kırpmalarına, özelliklerini ayarlamalarına ve diğer düzenleme görevlerini gerçekleştirmelerine olanak tanır. Gelişmiş PDF düzenleme yazılımı, görüntüler üzerinde optik karakter tanıma (OCR) da gerçekleştirebilir ve görüntülerdeki metni aranabilir ve düzenlenebilir metne dönüştürebilir.
Dosya yapısı açısından bir PDF belgesi, belgenin içeriğini tanımlayan nesnelerden oluşur. Bu nesneler, belgenin "nesne ağacı" olarak bilinen hiyerarşik bir yapıda düzenlenir. Görüntüler, bu yapıya "görüntü nesneleri" olarak gömülür. Her görüntü nesnesi, sıkıştırılmış görüntü verilerinin akışını ve görüntünün türü, genişliği, yüksekliği, renk uzayı ve sıkıştırma için uygulanan filtreler gibi özelliklerini tanımlayan bir sözlük içerir.
PDF spesifikasyonu zaman içinde gelişti ve artık Uluslararası Standardizasyon Örgütü (ISO) tarafından ISO 32000 olarak sürdürülmektedir. Bu standardizasyon, PDF'nin açık bir format olarak kalmasını ve farklı yazılımlar ve platformlar kullanılarak oluşturulan belgelerin güvenilir bir şekilde değiştirilebilmesini ve görüntülenebilmesini sağlar. Spesifikasyon, görüntülerin PDF dosyalarına nasıl biçimlendirilmesi ve gömülmesi gerektiğine dair ayrıntılı bilgiler içerir ve PDF belgeleri oluşturup okuyabilen çok çeşitli yazılımlar arasında tutarlılık sağlar.
Sonuç olarak, PDF görüntü formatı, PDF standardının karmaşık ve özellik açısından zengin bir bileşenidir. Geniş bir görüntü türü ve sıkıştırma algoritması yelpazesini, gelişmiş renk yönetimini, şeffaflığı ve meta veriyi destekler. PDF'ler sağlam güvenlik özellikleri, erişilebilirlik seçenekleri ve güvenilir yazdırma yetenekleri sunar. PDF görüntülerinin etkileşimli özellikleri kullanıcı deneyimini geliştirir ve PDF dosyalarının standartlaştırılmış yapısı farklı platformlar ve cihazlar arasında uyumluluk sağlar. Sonuç olarak, PDF, belge alışverişi için en yaygın kullanılan biçimlerden biri olmaya devam etmektedir ve görüntülerle ilgili yeteneklerini anlamak, dijital belgelerle çalışan herkes için çok önemlidir.
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.