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.
TIFF (Tagged Image File Format), görüntü verilerini depolamak için çok yönlü ve esnek bir formattır. 1980'lerin ortalarında Aldus Corporation tarafından geliştirilen ve şimdi Adobe Systems'ın bir parçası olan TIFF, tescilli görüntü formatları arasındaki boşluğu kapatmak için tasarlandı ve görüntü depolama için uyarlanabilir ve ayrıntılı bir çerçeve sağladı. TIFF, daha basit görüntü formatlarının aksine, yüksek çözünürlüklü, çok katmanlı görüntüleri depolayabilir ve bu da onu fotoğrafçılık, yayıncılık ve coğrafi görüntüleme gibi alanlardaki profesyoneller için tercih edilen bir seçim haline getirir.
TIFF formatı özünde, JPEG, LZW, PackBits ve ham sıkıştırılmamış veriler dahil ancak bunlarla sınırlı olmamak üzere çeşitli görüntü kodlamalarını tutabilen bir kap gibidir. Bu esneklik, TIFF görüntülerinin en yüksek görüntü kalitesini korumak veya daha kolay paylaşım için dosya boyutlarını küçültmek gibi farklı ihtiyaçlar için son derece optimize edilmesine olanak tanıdığı için önemli bir özelliktir.
TIFF'in ayırt edici bir özelliği, etiketlerin temel ilkesi üzerinde çalışan yapısıdır. Her TIFF dosyası, genellikle IFD (Görüntü Dosyası Dizinleri) olarak adlandırılan bir veya daha fazla dizinden oluşur ve bunlar görüntü meta verilerini, görüntü verilerinin kendisini ve potansiyel olarak diğer alt dosyaları içerir. Her IFD, tanımlanmış bir giriş listesinden oluşur; her giriş, görüntü boyutları, sıkıştırma türü ve renk bilgileri gibi dosyanın farklı özniteliklerini belirten bir etikettir. Bu etiket yapısı, TIFF dosyalarının çok çeşitli görüntü türlerini ve verilerini işlemesine olanak tanır ve bu da onları son derece çok yönlü kılar.
TIFF'in güçlü yönlerinden biri, RGB, CMYK, LAB ve diğerleri dahil olmak üzere çeşitli renk alanlarını ve renk modellerini desteklemesidir ve bu da çok sayıda profesyonel ve yaratıcı uygulamada doğru renk temsili sağlar. Ek olarak, TIFF, 1 bit (siyah beyaz) ile 32 bit (ve daha yüksek) gerçek renkli görüntüler arasında değişen çoklu renk derinliklerini destekleyebilir. Alfa kanallarını (saydamlık için) işleme yeteneğiyle birleştirilen bu renk derinliği desteği, TIFF'i yüksek kaliteli görüntü yeniden üretimi için ideal bir format haline getirir.
TIFF ayrıca telif hakkı bilgileri, zaman damgaları, GPS verileri ve çok daha fazlasını içerebilen meta veriler için sağlam destek sunar. Bu, IPTC (Uluslararası Basın Telekomünikasyon Konseyi), EXIF (Değiştirilebilir Görüntü Dosyası Formatı) ve XMP (Genişletilebilir Meta Veri Platformu) standartlarının kullanılmasıyla kolaylaştırılır. Bu tür kapsamlı meta veri yetenekleri, özellikle her görüntü hakkında ayrıntılı bilgilerin çok önemli olduğu profesyonel ortamlarda, büyük görüntü kitaplıklarını kataloglamak, aramak ve yönetmek için çok değerlidir.
TIFF'in bir diğer dikkate değer özelliği, tek bir dosya içinde birden fazla görüntü ve sayfa işleme yeteneğidir ve bu özellik çok sayfalı destek olarak bilinir. Bu, TIFF'i, ilgili görüntüleri tek bir dosyada birleştirmenin iş akışlarını ve dosya yönetimini önemli ölçüde kolaylaştırabileceği taranmış belgeler, fakslı belgeler ve senaryo uygulamaları için özellikle kullanışlı hale getirir.
Birçok avantajına rağmen, TIFF'in karmaşıklığı ve esnekliği uyumluluk sorunlarına yol açabilir. Tüm TIFF dosyaları eşit yaratılmamıştır ve tüm yazılımlar her olası TIFF varyantını işlemez. Bu, dijital kamera görüntüleri için formatı standartlaştırmayı amaçlayan TIFF/EP (Elektronik Fotoğrafçılık) ve yayıncılık endüstrisinin ihtiyaçlarını hedefleyen TIFF/IT (Bilgi Teknolojisi) gibi alt kümelerin ortaya çıkmasına yol açmıştır. Bu alt kümeler, dosyaların belirli profillere uygun olmasını sağlayarak farklı platformlar ve uygulamalar arasında birlikte çalışabilirliği artırır.
Sıkıştırma, TIFF'in bir diğer önemli yönüdür, çünkü format hem kayıpsız hem de kayıplı sıkıştırma şemalarını destekler. LZW (Lempel-Ziv-Welch) ve Deflate (ZIP'e benzer) gibi kayıpsız sıkıştırma, orijinal görüntü kalitesinin korunmasının çok önemli olduğu uygulamalar için tercih edilir. JPEG gibi kayıplı sıkıştırma, dosya boyutu mükemmel doğruluktan daha kritik bir endişe olduğunda kullanılabilir. TIFF'in sıkıştırmadaki esnekliği bir güç olsa da, kullanıcıların bir sıkıştırma yöntemi seçerken söz konusu olan artıları ve eksileri anlamaları gerekir.
TIFF'in daha teknik yönlerinden biri, dosya hakkında bayt sırası dahil olmak üzere önemli bilgiler içeren dosya başlığıdır. TIFF, hem big-endian (Motorola) hem de little-endian (Intel) bayt sıralarını destekler ve başlığın ilk birkaç baytı bunlardan hangisinin kullanıldığını gösterir ve TIFF dosyalarının farklı sistemlerde ve mimarilerde doğru şekilde okunmasını sağlar. Ek olarak, başlık, ilk IFD'ye olan ofseti belirtir ve esasen görüntü verilerinin ve meta verilerin başladığı yeri işaret eder ve bu da dosyayı okumak için çok önemli bir husustur.
Yüksek dinamik aralıklı (HDR) görüntülerle uğraşmak, TIFF'in öne çıktığı bir başka alandır. TIFF dosyaları, piksel verileri için kayan nokta değerleri kullanarak, standart görüntü formatlarından daha geniş bir parlaklık ve renk değeri aralığını temsil edebilir ve bu da yüksek kaliteli görüntü yakalama ve yeniden üretim gerektiren özel efektler, dijital sinema ve profesyonel fotoğrafçılık gibi endüstrilerin ihtiyaçlarını karşılar.
TIFF formatı, çok yönlülüğüne ve profesyonel alanlarda yaygın kullanımına rağmen eleştirilerden de muaf değildir. TIFF'i bu kadar güçlü kılan esneklik, karmaşıklığına da katkıda bulunur ve özel yazılım veya inceliklerinin tam olarak anlaşılması olmadan çalışmayı zorlaştırır. Dahası, TIFF görüntülerinin dosya boyutları, özellikle sıkıştırılmamış görüntü verileri veya yüksek çözünürlüklü görüntülerle uğraşırken oldukça büyük olabilir ve bu da depolama ve aktarım zorluklarına yol açar.
Yıllar boyunca, TIFF'in yeteneklerini daha da geliştirmek ve sınırlamalarını gidermek için çabalar sarf edilmiştir. Örneğin, BigTIFF, standart TIFF dosyalarının sınırlamalarını aşan son derece yüksek çözünürlüklü veya ayrıntılı görüntülerle çalışma ihtiyacını karşılayan orijinal TIFF spesifikasyonunun bir uzantısıdır. Bu evrim, TIFF'in gelişen teknoloji ve ortaya çıkan uygulamaların ihtiyaçlarını karşılamak üzere devam eden gelişimini ve uyarlanmasını yansıtır.
Sonuç olarak, Tagged Image File Format (TIFF), esnekliği karmaşıklık ile dengeleyerek dijital görüntü depolamanın değişen ihtiyaçlarına ve zorluklarına bir kanıt olarak durmaktadır. Ayrıntılı görüntü verilerini ve meta verileri kapsülleme, çeşitli sıkıştırma şemalarını destekleme ve çeşitli profesyonel ortamlara uyum sağlama yeteneği, onu kalıcı bir format haline getirir. Yine de, karmaşıklıklarında gezinmek, yapısı ve yetenekleri hakkında sağlam bir anlayış gerektirir. Dijital görüntüleme teknolojisi gelişmeye devam ettikçe, TIFF formatı muhtemelen profesyonel ve yaratıcı alanlarda alaka düzeyini ve faydasını koruyarak gelişecektir.
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.