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 Piksel Haritası (PPM) biçimi, Netpbm projesinin bir parçası olarak ortaya çıkan en basit ama güçlü raster grafik biçimidir. Tasarımında doğal olarak basit olan PPM biçimi, hem insanlar hem de makineler tarafından inanılmaz derecede erişilebilir bir şekilde okunup yazılabilen, renk görüntülerini yalın bir şekilde temsil etmenin bir yolunu sağlar. Siyah beyaz görüntüler için Taşınabilir Bit Haritası (PBM) ve gri tonlamalı görüntüler için Taşınabilir Gri Harita (PGM) ile birlikte Netpbm biçimleri şemsiyesi altında sınıflandırılır. Bu biçimlerden her biri, renk derinliği ve karmaşıklığı değişen derecelerde görüntüleri kapsayacak şekilde tasarlanmıştır ve PPM, renk temsili açısından aralarında en gelişmiş olanıdır.
PPM biçimi, piksel renk bilgilerini basit bir şekilde belirten basit bir ASCII metin dosyası (ikili bir gösterim de yaygın olsa da) açısından bir görüntüyü tanımlar. Dosyanın ASCII (P3) veya ikili (P6) biçiminde olup olmadığını gösteren bir 'sihirli sayı' ile başlar, ardından boşluk, görüntünün boyutları (genişlik ve yükseklik), maksimum renk değeri ve ardından gerçek piksel verileri gelir. Bir PPM dosyasındaki piksel verileri, her bileşeni 0'dan belirtilen maksimum değere, genellikle 255'e kadar değişen RGB renk değerlerinden oluşur ve piksel başına 16 milyondan fazla olası renk kombinasyonuna izin verir.
PPM biçiminin temel avantajlarından biri basitliğidir. Bir PPM dosyasının yapısı o kadar basittir ki ASCII modunda temel metin düzenleme araçlarıyla kolayca oluşturulabilir veya değiştirilebilir. Bu basitlik, işlenmesine de uzanır; PPM görüntülerini ayrıştırmak veya oluşturmak için yazılım yazmak, JPEG veya PNG gibi daha karmaşık biçimlerle karşılaştırıldığında minimum çaba gerektirir. Bu erişilebilirlik, PPM'yi akademik ortamlarda veya hobiciler arasında temel görüntüleme görevleri için tercih edilen bir seçim haline getirmiştir ve görüntü işleme veya bilgisayar grafikleri programlama hakkında bilgi edinmek isteyenler için bir basamak taşı olarak kullanılmıştır.
Faydalarına rağmen, PPM biçimi, basitliğinden kaynaklanan dikkate değer sınırlamalara sahiptir. Bunların en önemlisi, JPEG veya PNG gibi daha gelişmiş biçimlerdeki muadillerinden önemli ölçüde daha büyük dosyalarla sonuçlanan herhangi bir sıkıştırma mekanizmasının olmamasıdır. Bu, PPM'yi web kullanımı veya depolama alanı ve bant genişliğinin endişe kaynağı olduğu herhangi bir uygulama için daha az uygun hale getirir. Ek olarak, PPM biçimi, daha karmaşık grafik tasarım veya fotoğraf iş akışlarında kullanımını sınırlayabilecek herhangi bir şeffaflık, katman veya meta veri (renk profilleri veya EXIF verileri gibi) biçimini desteklemez.
Bir PPM dosyası oluşturmak veya görüntülemek için, Netpbm paketinde bulunan çeşitli araçlar veya bu biçimi destekleyen çok sayıda başka grafik yazılım aracı kullanılabilir. Yazılım geliştiricileri ve araştırmacılar, PPM biçimini uygulama kolaylığı nedeniyle takdir etmektedir. PPM dosyalarını ayrıştırmak, özellikle ASCII modunda, metin satırlarını okumayı ve bunları biçimin minimum özelliklerine göre yorumlamayı içerdiğinden basittir. PPM görüntüleri çıkaran yazılım yazmak da aynı derecede basit olabilir ve bu da onu grafik programlama kurslarında ilk projeler veya hızlı prototipleme için mükemmel bir seçim haline getirir.
Pratik olarak, PPM dosyalarıyla çalışmak, yapısını derinlemesine anlamayı içerir. Bir dosya bir sihirli sayıyla başlar ('ASCII için 'P3' veya ikili için 'P6'), ardından boşluk karakterleri gelir. Sihirli sayıdan sonra, görüntünün boyutları, sırasıyla görüntünün genişliğini ve yüksekliğini temsil eden iki tamsayı olarak sağlanır. Bunlar da boşlukla ayrılır. Boyutların ardından, her birinin sahip olabileceği RGB değerleri aralığını belirleyen maksimum renk değeri belirtilir. Çoğu durumda, bu değer 255'tir ve her renk bileşeninin (Kırmızı, Yeşil ve Mavi) 0 ile 255 arasında değişebileceğini gösterir.
Başlıktan sonra, her piksel için RGB değerleri gelir. ASCII modunda (P3), bu değerler her RGB üçlüsü bir pikseli temsil eden ayrı sayılar olarak düz metin olarak yazılır. Pikseller, soldan sağa ve yukarıdan aşağıya doğru satırlar halinde düzenlenmiştir. İkili modda (P6), renk değerleri, insanlar tarafından daha az okunabilir olsa da bilgisayarlar tarafından daha verimli bir şekilde ayrıştırılabilen daha sıkıştırılmış bir ikili biçimde temsil edilir. RGB üçlüsünün her bileşeni tipik olarak tek bir bayttır ve sık ıştırmadan yoksun olmasına rağmen ASCII muadillerine kıyasla daha hızlı okunup yazılabilen daha akıcı bir dosyaya yol açar.
Sıkıştırma ve ek özellikler sunan daha gelişmiş ve karmaşık görüntü biçimlerine doğru kaymaya rağmen, PPM biçimi çeşitli niş bağlamlarda önemini korumaktadır. Dosya biçimlerinin ayrıntılarından ziyade algoritmalara odaklanılan görüntü işleme araştırmalarında ortak bir payda olarak hizmet etme yeteneği abartılamaz. Ek olarak, biçimin basitliği ve sıkıştırma eksikliği, sıkıştırma eserlerinden kaynaklanan görüntü kalitesi kaybı olmadığından, görüntü işleme doğruluğunun çok önemli olduğu senaryolar için ideal bir seçim haline getirir.
PPM biçiminin önemli bir dezavantajı olan dosya boyutu sorununu ele almak için harici sıkıştırma araçları bir çözüm yolu olarak düşünülebilir. Bu, sıkıştırmayı dosya biçiminin kendisine entegre etmese de gzip gibi araçlar, PPM dosyaları için gereken depolama alanını önemli ölçüde azaltabilir ve bunları aktarım veya arşivleme amaçları için daha yönetilebilir hale getirebilir. Ancak bu yaklaşım, iş akışına ek bir adım ekler, çünkü dosyaların görüntülenmesi veya düzenlenmesi sürecinden ayrı olarak sıkıştırılması ve sıkıştırılması gerekir.
Gelişmiş görüntüleme teknikleri ve daha yüksek verimlilik arayışı, birçok uygulamada JPEG ve PNG gibi biçimlerin geliştirilmesine ve tercih edilmesine yol açmıştır. Bununla birlikte, PPM biçiminin dijital görüntüleme ve programlama temellerini öğretmedeki eğitim değeri göz ardı edilemez. Karmaşıklığı bir görüntü dosyasının temel bileşenlerine indirgeyerek, öğrenciler, biçim ayrıştırma ve sıkıştırma algoritmalarının incelikleriyle boğulmadan görüntü dönüşümünü, geliştirmeyi ve oluşturmayı etkileyen algoritmalara odaklanabilirler.
Dahası, PPM biçimi daha karmaşık görüntüleme görevlerine ve biçimlerine bir köprü görevi görür. RGB renk modelini ham piksel düzeyinde anlamak ve onunla çalışmak, bilgisayar grafikleri ve görüntü işleme alanının hemen hemen tüm alanlarında uygulanabilir temel bilgiler sağlar. PPM biçiminde görüntüleri işleme deneyimi, daha gelişmiş biçimleri ve bunların sunduğu zorlukları, örneğin renk alanları, sıkıştırma teknikleri ve görüntü meta verileriyle uğraşmayı ele almak için temel oluşturur.
Sonuç olarak, Taşınabilir Piksel Haritası (PPM) biçimi, basitliği ve kullanım kolaylığı ile bilgisayar grafikleri ve görüntü işleme alanında değerli bir öğrenme aracı olarak öne çıkmaktadır. Daha modern biçimlerin özelliklerine ve verimliliğine sahip olmasa da, basitliği yeni başlayanlara görüntü temsili ve manipülasyonunun temellerine derinlemesine dalmaları için benzersiz bir fırsat sunar. Araştırmacılar, eğitimciler ve meraklılar için PPM biçimi, hem pratik bir araç hem de eğitimsel bir kaynak olarak hizmet ederek dijital görüntülemenin temellerini keşfetmek için net ve erişilebilir bir çerçeve sağlar.
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.