OCR herhangi bir PNG
Sürükleyip bırakın ya da seçmek için tıklayın
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.
PNG formatı nedir?
Taşınabilir Ağ Grafikleri
PNG, Taşınabilir Ağ Grafikleri anlamına gelir, kayıpsız veri sıkıştırmasını destekleyen bir raster grafik dosya biçimidir. Grafik Değişim Biçimi'nin (GIF) geliştirilmiş, patentsiz bir alternatifi olarak tasarlanan PNG, yalnızca profesyonel kalitede grafikler için değil, aynı zamanda fotoğraflar ve diğer dijital görüntü türleri için de internette görüntü aktarmak üzere tasarlanmıştır. PNG'nin en dikkat çekici özelliklerinden biri, tarayıcı tabanlı uygulamalarda şeffaflığı desteklemesidir ve bu da onu web tasarımı ve geliştirmesinde çok önemli bir format haline getirir.
PNG'nin başlangıcı, GIF formatında kullanılan sıkıştırma tekniğiyle ilgili patent sorunlarının ardından 1995 yılına kadar uzanabilir. Yeni bir grafik formatı oluşturma çağrısı comp.graphics haber grubunda yapıldı ve bu da PNG'nin geliştirilmesine yol açtı. Bu yeni formatın temel hedefleri, GIF'in sınırlamalarını iyileştirmek ve aşmaktı. Hedefleri arasında 256'dan fazla rengi destekleyen görüntüler, şeffaflık için bir alfa kanalı ekleme, iç içe geçirme seçenekleri sağlama ve formatın patentsiz ve açık kaynak geliştirmeye uygun olmasını sağlama vardı.
PNG dosyaları, görüntü korumanın kalitesinde mükemmeldir ve 1 bitlik siyah beyazdan kırmızı, yeşil ve mavi (RGB) için kanal başına 16 bite kadar çeşitli renk derinliklerini destekler. Bu geniş renk desteği, PNG'yi küçük bir dosya boyutunda çizgi çizimleri, metin ve simgesel grafikleri depolamak için uygun hale getirir. Ek olarak, PNG'nin bir alfa kanalını desteklemesi, gölgeler, parıltılar ve yarı saydam nesneler gibi karmaşık efektlerin dijital görüntülerde hassasiyetle işlenmesini sağlayan değişken şeffaflık derecelerine olanak tanır.
PNG'nin öne çıkan özelliklerinden biri, DEFLATE yöntemi kullanılarak tanımlanan kayıpsız sıkıştırma algoritmasıdır. Bu algoritma, herhangi bir görüntü kalitesinden ödün vermeden dosya boyutunu azaltmak için tasarlanmıştır. Sıkıştırmanın verimliliği, sıkıştırılan verilerin türüne bağlı olarak değişir; özellikle büyük tekdüze renk alanlarına veya tekrarlanan desenlere sahip görüntüler için etkilidir. Sıkıştırmanın kayıpsız doğasına rağmen, PNG'nin özellikle karmaşık fotoğraflar için JPEG gibi formatlara kıyasla her zaman mümkün olan en küçük dosya boyutuyla sonuçlanmayabileceğini belirtmek önemlidir.
Bir PNG dosyasının yapısı, her biri görüntünün belirli bir türde veri veya meta verisini temsil eden parçalara dayanır. Bir PNG dosyasında dört ana parça türü vardır: Görüntü hakkında temel bilgileri içeren IHDR (Görüntü Başlığı); dizinli renkli görüntülerde kullanılan tüm renkleri listeleyen PLTE (Palet); DEFLATE algoritmasıyla sıkıştırılmış gerçek görüntü verilerini içeren IDAT (Görüntü Verileri); ve PNG dosyasının sonunu işaretleyen IEND (Görüntü Fragmanı). Ek yardımcı parçalar, metin açıklamaları ve gama de ğerleri gibi görüntü hakkında daha fazla ayrıntı sağlayabilir.
PNG ayrıca görüntüleri internet üzerinden görüntülemeyi ve aktarmayı iyileştirmeyi amaçlayan birkaç özellik de içerir. Özellikle Adam7 algoritmasını kullanan iç içe geçirme, bir görüntünün aşamalı olarak yüklenmesine olanak tanır; bu, özellikle daha yavaş internet bağlantıları üzerinden görüntülenirken faydalı olabilir. Bu teknik, önce tüm görüntünün düşük kaliteli bir sürümünü görüntüler ve daha fazla veri indirildikçe kaliteyi kademeli olarak artırır. Bu özellik yalnızca kullanıcı deneyimini geliştirmekle kalmaz, aynı zamanda web kullanımı için de pratik bir avantaj sağlar.
PNG dosyalarındaki şeffaflık, GIF'e kıyasla daha sofistike bir şekilde ele alınır. GIF basit ikili şeffaflığı desteklerken - bir piksel ya tamamen şeffaftır ya da tamamen opaktır - PNG, alfa şeffaflığı kavramını tanıtır. Bu, piksellerin tamamen opaklıktan tamamen şeffaflığa kadar değişen şeffaflık seviyelerine sahip olmasına olanak tanır ve görüntü ile arka plan arasında daha yumuşak karıştırma ve geçişler sağlar. Bu özellik, değişen renk ve desenlere sahip arka planlara görüntüler bindirmesi gereken web tasarımcıları için özellikle önemlidir.
PNG'nin birçok avantajına rağmen bazı sınırlamaları da vardır. Örneğin, dosya boyutu verimliliği açısından dijital fotoğrafları depolamak için en iyi seçim değildir. PNG'nin kayıpsız sıkıştırması, kalite kaybı olmadığını garanti ederken, özellikle fotoğrafları sıkıştırmak için tasarlanmış JPEG gibi kayıplı formatlara kıyasla daha büyük dosya boyutlarına neden olabilir. Bu, PNG'yi bant genişliği veya depolama kapasitesinin sınırlı olduğu uygulamalar için daha az uygun hale getirir. Ek olarak, PNG, GIF ve WebP gibi formatların sunduğu bir özellik olan animasyonlu görüntüleri doğal olarak desteklemez.
PNG dosyalarına, görüntü kalitesinden ödün vermeden web kullanımı için dosya boyutlarını küçültmek üzere optimizasyon teknikleri uygulanabilir. PNGCRUSH ve OptiPNG gibi araçlar, en verimli sıkıştırma parametrelerini seçme ve renk derinliğini görüntü için en uygun seviyeye düşürme dahil olmak üzere çeşitli stratejiler kullanır. Bu araçlar, PNG dosyalarının boyutunu önemli ölçüde azaltabilir ve yükleme sürelerinin ve bant genişliği kullanımının kritik kaygılar olduğu web kullanımı için daha verimli hale getirebilir.
Ayrıca, PNG dosyalarına gama düzeltme bilgilerinin dahil edilmesi, görüntülerin farklı cihazlarda daha tutarlı bir şekilde görüntülenmesini sağlar. Gama düzeltme, bir görüntünün parlaklık seviyelerini görüntüleme cihazının özelliklerine göre ayarlamayı sağlar. Bu özellik, görüntülerin farklı görüntüleme özelliklerine sahip çok çeşitli cihazlarda görüntülenebileceği web grafikleri bağlamında özellikle değerlidir.
PNG'nin yasal durumu, geniş çapta kabul edilmesine ve benimsenmesine katkıda bulunmuştur. Patentlerden arınmış olan PNG, diğer bazı görüntü formatlarıyla ilişkili yasal karmaşıklıkları ve lisans ücretlerinden kaçınır. Bu, maliyet ve yasal özgürlüğün önemli hususlar olduğu açık kaynaklı projeler ve uygulamalar için özellikle çekici hale getirmiştir. Format, web tarayıcıları, görüntü düzenleme programları ve işletim sistemleri dahil olmak üzere çok çeşitli yazılımlar tarafından desteklenerek çeşitli dijital iş akışlarına entegre edilmesini kolaylaştırır.
Erişilebilirlik ve uyumluluk da PNG formatının temel güçlü yönleridir. Monokromdan alfa şeffaflığına sahip gerçek renge kadar değişen renkleri destekleyen PNG dosyaları, basit web grafiklerinden yüksek kaliteli baskı materyallerine kadar çok çeşitli uygulamalarda kullanılabilir. Farklı platformlar ve yazılımlar arasında birlikte çalışabilirliği, PNG formatında kaydedilen görüntülerin uyumluluk sorunları konusunda endişelenmeden kolayca paylaşılabileceği ve görüntülenebileceği anlamına gelir.
Teknik gelişmeler ve topluluk katkıları, PNG formatını geliştirmeye devam ediyor. APNG (Animasyonlu Taşınabilir Ağ Grafikleri) gibi yenilikler, standart PNG görüntüleyicilerle geriye dönük uyumluluğu korurken animasyon desteği sunar. Bu evrim, formatın uyarlanabilirliğini ve aktif topluluğun kullanıcı ihtiyaçlarına yanıt olarak yeteneklerini genişletme çabalarını yansıtır. Bu tür gelişmeler, PNG'nin hızla gelişen bir dijital ortamda devam eden alaka düzeyini sağlar.
Sonuç olarak, PNG görüntü formatı, kalite koruması ve dosya boyutu verimliliği arasında bir denge kurarak dijital görüntü paylaşımı ve depolamasında temel bir unsur haline gelmiştir. Yüksek renk derinliklerini, alfa şeffaflığını ve kayıpsız sıkıştırmayı destekleme yeteneği, onu web tasarımından arşiv depolamasına kadar çok çeşitli uygulamalar için çok yönlü bir seçim haline getirir. Her durum için en uygun seçim olmayabilirken, kalite, uyumluluk ve yasal özgürlükteki güçlü yönleri, onu dijital görüntüleme dünyasında paha biçilmez bir varlık haline getirmektedir.
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.