Nhận dạng ký tự quang học (OCR) biến hình ảnh văn bản—bản quét, ảnh chụp từ điện thoại thông minh, PDF—thành các chuỗi máy có thể đọc được và, ngày càng nhiều, dữ liệu có cấu trúc. OCR hiện đại là một quy trình làm sạch hình ảnh, tìm văn bản, đọc nó và xuất siêu dữ liệu phong phú để các hệ thống hạ nguồn có thể tìm kiếm, lập chỉ mục hoặc trích xuất các trường. Hai tiêu chuẩn đầu ra được sử dụng rộng rãi là hOCR, một định dạng vi mô HTML cho văn bản và bố cục, và ALTO XML, một lược đồ hướng thư viện/lưu trữ; cả hai đều bảo toàn vị trí, thứ tự đọc và các tín hiệu bố cục khác và được hỗ trợ bởi các công cụ phổ biến như Tesseract.
Tiền xử lý. Chất lượng OCR bắt đầu bằng việc dọn dẹp hình ảnh: chuyển đổi thang độ xám, khử nhiễu, ngưỡng (nhị phân hóa), và chỉnh lệch. Các hướng dẫn OpenCV kinh điển bao gồm toàn cục, thích ứng và Otsu ngưỡng—những yếu tố chính cho các tài liệu có ánh sáng không đồng đều hoặc biểu đồ hai mode. Khi độ sáng thay đổi trong một trang (hãy nghĩ đến ảnh chụp bằng điện thoại), các phương pháp thích ứng thường hoạt động tốt hơn một ngưỡng toàn cục duy nhất; Otsu tự động chọn một ngưỡng bằng cách phân tích biểu đồ. Chỉnh sửa độ nghiêng cũng quan trọng không kém: chỉnh lệch dựa trên Hough (Biến đổi dòng Hough) kết hợp với nhị phân hóa Otsu là một công thức phổ biến và hiệu quả trong các quy trình tiền xử lý sản xuất.
Phát hiện và nhận dạng. OCR thường được chia thành phát hiện văn bản (văn bản ở đâu ?) và nhận dạng văn bản (nó nói gì?). Trong các cảnh tự nhiên và nhiều bản quét, các bộ phát hiện tích chập hoàn toàn như EAST dự đoán hiệu quả các tứ giác ở cấp độ từ hoặc dòng mà không cần các giai đoạn đề xuất nặng nề và được triển khai trong các bộ công cụ phổ biến (ví dụ: hướng dẫn phát hiện văn bản của OpenCV). Trên các trang phức tạp (báo, biểu mẫu, sách), việc phân đoạn các dòng/vùng và suy luận thứ tự đọc rất quan trọng:Kraken triển khai phân đoạn vùng/dòng truyền thống và phân đoạn đường cơ sở thần kinh, với sự hỗ trợ rõ ràng cho các tập lệnh và hướng khác nhau (LTR/RTL/dọc).
Mô hình nhận dạng. Công cụ mã nguồn mở cổ điển Tesseract (do Google mở nguồn, có nguồn gốc từ HP) đã phát triển từ một bộ phân loại ký tự thành một bộ nhận dạng chuỗi dựa trên LSTM và có thể phát hành các tệp PDF có thể tìm kiếm, đầu ra thân thiện với hOCR/ALTO, và nhiều hơn nữa từ CLI. Các bộ nhận dạng hiện đại dựa vào mô hình hóa chuỗi mà không cần các ký tự được phân đoạn trước. Phân loại thời gian kết nối (CTC) vẫn là nền tảng, học các sự sắp xếp giữa các chuỗi đặc trưng đầu vào và chuỗi nhãn đầu ra; nó được sử dụng rộng rãi trong các quy trình xử lý chữ viết tay và văn bản cảnh.
Trong vài năm qua, Transformers đã định hình lại OCR. TrOCR sử dụng một bộ mã hóa Vision Transformer cộng với một bộ giải mã Text Transformer, được đào tạo trên các kho ngữ liệu tổng hợp lớn sau đó được tinh chỉnh trên dữ liệu thực, với hiệu suất mạnh mẽ trên các tiêu chuẩn văn bản in, viết tay và cảnh (xem thêm tài liệu Hugging Face). Song song đó, một số hệ thống bỏ qua OCR để hiểu biết hạ nguồn: Donut (Document Understanding Transformer) là một bộ mã hóa-giải mã không có OCR, trực tiếp xuất ra các câu trả lời có cấu trúc (như JSON khóa-giá trị) từ tài liệu hình ảnh (repo, thẻ mô hình), tránh tích lũy lỗi khi một bước OCR riêng biệt cung cấp cho một hệ thống IE.
Nếu bạn muốn đọc văn bản có sẵn trên nhiều tập lệnh, EasyOCR cung cấp một API đơn giản với hơn 80 mô hình ngôn ngữ, trả về các hộp, văn bản và độ tin cậy—tiện dụng cho các nguyên mẫu và các tập lệnh không phải tiếng Latinh. Đối với các tài liệu lịch sử, Kraken tỏa sáng với phân đoạn đường cơ sở và thứ tự đọc nhận biết tập lệnh; để đào tạo cấp dòng linh hoạt, Calamari xây dựng trên dòng dõi Ocropy (Ocropy) với các bộ nhận dạng (đa)LSTM+CTC và một CLI để tinh chỉnh các mô hình tùy chỉnh.
Sự khái quát hóa phụ thuộc vào dữ liệu. Đối với chữ viết tay, Cơ sở dữ liệu chữ viết tay IAM cung cấp các câu tiếng Anh đa dạng về người viết để đào tạo và đánh giá; đó là một bộ tham chiếu lâu đời cho nhận dạng dòng và từ. Đối với văn bản cảnh, COCO-Text đã xếp lớp các chú thích mở rộng trên MS-COCO, với các nhãn cho văn bản in/viết tay, dễ đọc/khó đọc, tập lệnh và bản ghi đầy đủ (xem thêm trang dự án ban đầu). Lĩnh vực này cũng phụ thuộc nhiều vào việc đào tạo trước tổng hợp: SynthText in the Wild kết xuất văn bản thành các bức ảnh với hình học và ánh sáng thực tế, cung cấp khối lượng dữ liệu khổng lồ để đào tạo trước các bộ phát hiện và nhận dạng (tham khảo mã và dữ liệu).
Các cuộc thi dưới chiếc ô Đọc mạnh mẽ của ICDAR giữ cho việc đánh giá có cơ sở. Các nhiệm vụ gần đây nhấn mạnh việc phát hiện/đọc từ đầu đến cuối và bao gồm việc liên kết các từ thành các cụm từ, với mã chính thức báo cáo độ chính xác/độ thu hồi/F-score, giao nhau trên hợp nhất (IoU), và các số liệu khoảng cách chỉnh sửa cấp ký tự—phản ánh những gì các nhà thực hành nên theo dõi.
OCR hiếm khi kết thúc ở văn bản thuần túy. Các kho lưu trữ và thư viện số thích ALTO XML vì nó mã hóa bố cục vật lý (các khối/dòng/từ có tọa độ) cùng với nội dung, và nó kết hợp tốt với bao bì METS. hOCR định dạng vi mô, ngược lại, nhúng cùng một ý tưởng vào HTML/CSS bằng cách sử dụng các lớp như ocr_line và ocrx_word, giúp dễ dàng hiển thị, chỉnh sửa và chuyển đổi bằng các công cụ web. Tesseract phơi bày cả hai—ví dụ: tạo hOCR hoặc PDF có thể tìm kiếm trực tiếp từ CLI (hướng dẫn xuất PDF); Các trình bao bọc Python như pytesseract thêm sự tiện lợi. Các bộ chuyển đổi tồn tại để dịch giữa hOCR và ALTO khi các kho lưu trữ có các tiêu chuẩn nhập liệu cố định —xem danh sách được tuyển chọn này của công cụ định dạng tệp OCR.
Xu hướng mạnh mẽ nhất là sự hội tụ: phát hiện, nhận dạng, mô hình hóa ngôn ngữ và thậm chí cả giải mã cho tác vụ cụ thể đang hợp nhất thành các ngăn xếp Transformer thống nhất. Đào tạo trước trên các kho ngữ liệu tổng hợp lớn vẫn là một hệ số nhân. Các mô hình không có OCR sẽ cạnh tranh quyết liệt ở bất cứ đâu mục tiêu là các đầu ra có cấu trúc thay vì các bản ghi nguyên văn. Cũng mong đợi các triển khai kết hợp: một bộ phát hiện nhẹ cộng với một bộ nhận dạng kiểu TrOCR cho văn bản dạng dài, và một mô hình kiểu Donut cho các biểu mẫu và biên lai.
Tesseract (GitHub) · Tài liệu Tesseract · Thông số kỹ thuật hOCR · Nền tảng ALTO · Bộ phát hiện EAST · Phát hiện văn bản OpenCV · TrOCR · Donut · COCO-Text · SynthText · Kraken · Calamari OCR · ICDAR RRC · pytesseract · Chữ viết tay IAM · Công cụ định dạng tệp OCR · EasyOCR
Optical Character Recognition (OCR) là một công nghệ được sử dụng để chuyển đổi các loại tài liệu khác nhau, như tài liệu giấy đã quét, tệp PDF hoặc hình ảnh được chụp bằng máy ảnh số, thành dữ liệu có thể chỉnh sửa và tìm kiếm.
OCR hoạt động bằng cách quét hình ảnh hoặc tài liệu đầu vào, phân đoạn hình ảnh thành các ký tự riêng lẻ, và so sánh từng ký tự với cơ sở dữ liệu hình dạng ký tự bằng cách sử dụng nhận dạng mô hình hoặc nhận dạng đặc trưng.
OCR được sử dụng trong nhiều lĩnh vực và ứng dụng, bao gồm số hóa tài liệu in, kích hoạt các dịch vụ văn bản thành giọng nói, tự động hóa quá trình nhập dữ liệu, và hỗ trợ người dùng khiếm thị tương tác tốt hơn với văn bản.
Mặc dù đã có những tiến bộ vượt bậc trong công nghệ OCR, nhưng nó không phải lúc nào cũng hoàn hảo. Độ chính xác có thể thay đổi tùy thuộc vào chất lượng của tài liệu gốc và chi tiết của phần mềm OCR đang được sử dụng.
Mặc dù OCR chủ yếu được thiết kế cho văn bản in, một số hệ thống OCR tiên tiến cũng có thể nhận dạng được chữ viết tay rõ ràng, nhất quán. Tuy nhiên, nhận dạng chữ viết tay thường kém chính xác hơn do sự biến đổi lớn trong các kiểu viết của mỗi người.
Có, nhiều hệ thống phần mềm OCR có thể nhận dạng được nhiều ngôn ngữ. Tuy nhiên, điều quan trọng là phải đảm bảo rằng ngôn ngữ cụ thể đó được hỗ trợ bởi phần mềm bạn đang sử dụng.
OCR là viết tắt của Optical Character Recognition và được sử dụng để nhận dạng văn bản in, trong khi ICR, hoặc Intelligent Character Recognition, tiên tiến hơn và được sử dụng để nhận dạng văn bản viết tay.
OCR hoạt động tốt nhất với các phông chữ rõ ràng, dễ đọc và kích cỡ văn bản chuẩn. Mặc dù nó có thể hoạt động với các phông chữ và kích cỡ khác nhau, độ chính xác thường giảm khi đối phó với phông chữ không thông thường hoặc kích cỡ văn bản rất nhỏ.
OCR có thể gặp khó khăn với các tài liệu độ phân giải thấp, phông chữ phức tạp, văn bản in kém, chữ viết tay, và các tài liệu có nền gây ra sự can thiệp với văn bản. Ngoài ra, mặc dù nó có thể hoạt động với nhiều ngôn ngữ, nó có thể không bao phủ hoàn hảo mọi ngôn ngữ.
Có, OCR có thể quét văn bản màu và nền màu, mặc dù nó thường hiệu quả hơn với các sự kết hợp màu đối lập cao, như văn bản đen trên nền trắng. Độ chính xác có thể giảm khi màu văn bản và màu nền không có đủ độ tương phản.
DirectDraw Surface (DDS) định dạng là định dạng tệp hình ảnh raster, chủ yếu được sử dụng để lưu trữ kết cấu và bản đồ khối trong trò chơi điện tử và các ứng dụng 3D khác. Được Microsoft phát triển, định dạng DDS được tối ưu hóa cho khả năng tăng tốc phần cứng, cho phép sử dụng trực tiếp dữ liệu kết cấu trên các đơn vị xử lý đồ họa (GPU). Tối ưu hóa này làm giảm đáng kể thời gian tải hình ảnh trong các ứng dụng kết xuất thời gian thực bằng cách cho phép GPU truy cập trực tiếp vào dữ liệu kết cấu đã nén, do đó bỏ qua nhu cầu xử lý hoặc giải nén bổ sung của CPU.
Một trong những tính năng chính của định dạng DDS là hỗ trợ Nén kết cấu DirectX (DXT), một thuật toán nén kết cấu có mất mát giúp giảm kích thước tệp và băng thông cần thiết để truyền kết cấu mà không làm giảm đáng kể chất lượng hình ảnh. Nén DXT có sẵn ở một số biến thể, cụ thể là DXT1, DXT3 và DXT5, mỗi biến thể cung cấp sự cân bằng khác nhau giữa tỷ lệ nén và chất lượng. DXT1 được thiết kế cho các kết cấu không có kênh alpha hoặc alpha nhị phân đơn giản, DXT3 được sử dụng cho các kết cấu có alpha rõ ràng và DXT5 cho các kết cấu có độ trong suốt alpha nội suy.
Một lợi thế đáng kể khác của định dạng DDS là hỗ trợ lập bản đồ mip. Bản đồ mip là các phiên bản kết cấu đã được tính toán trước, được tối ưu hóa, mỗi phiên bản có độ phân giải thấp hơn dần. Các kết cấu nhỏ hơn này được sử dụng khi một đối tượng ở xa máy ảnh, cải thiện hiệu suất và giảm hiện tượng răng cưa. Bằng cách lưu trữ toàn bộ chuỗi bản đồ mip trong một tệp DDS duy nhất, các công cụ trò chơi có thể nhanh chóng chọn mức độ chi tiết phù hợp nhất để kết cấu các đối tượng dựa trên khoảng cách của chúng so với người xem, từ đó tăng cường hiệu quả kết xuất.
Định dạng DDS cũng hỗ trợ lập bản đồ môi trường khối bằng cách sử dụng bản đồ khối. Bản đồ khối bao gồm sáu kết cấu hình vuông biểu diễn các phản xạ trên một môi trường được xem từ một điểm duy nhất, mô phỏng các phản xạ trong thế giới 3D. Việc lưu trữ các bản đồ khối này trực tiếp ở định dạng DDS cho phép phản xạ môi trường hiệu quả trong các ứng dụng thời gian thực, nâng cao chất lượng nhập vai của đồ họa 3D.
Ngoài các tính năng nén và hiệu quả, định dạng DDS có thể lưu trữ các kết cấu có dải động cao (HDR). Các kết cấu HDR cung cấp dải độ sáng và màu rộng hơn, mang lại hiệu ứng ánh sáng chân thực hơn trong kết xuất 3D. Khả năng này rất cần thiết cho các công cụ trò chơi và phần mềm đồ họa hiện đại nhằm đạt được chất lượng hình ảnh chân thực. Việc hỗ trợ HDR trong các tệp DDS góp phần vào việc sử dụng rộng rãi của nó trong các ứng dụng đồ họa cao cấp.
Cấu trúc tệp DDS bao gồm một tiêu đề và các tiêu đề bổ sung tùy chọn chứa siêu dữ liệu về dữ liệu kết cấu, chẳng hạn như chiều cao, chiều rộng, định dạng dữ liệu pixel và các cờ chỉ ra sự hiện diện của bản đồ mip hoặc bản đồ khối. Cách tiếp cận có cấu trúc này đối với siêu dữ liệu cho phép các ứng dụng diễn giải và sử dụng chính xác dữ liệu kết cấu trong tệp DDS mà không cần phải xử lý hoặc thẩm vấn dữ liệu một cách rộng rãi.
Mặc dù có nhiều ưu điểm, định dạng DDS vẫn có những hạn chế và thách thức. Ví dụ, trong khi nén DXT làm giảm đáng kể kích thước tệp, nó có thể tạo ra hiện tượng nhiễu, đặc biệt là trong các k ết cấu có mức độ chi tiết cao hoặc chuyển đổi alpha phức tạp. Việc lựa chọn mức nén (DXT1, DXT3, DXT5) ảnh hưởng đến độ trung thực hình ảnh của kết cấu, khiến cho các nghệ sĩ kết cấu và nhà phát triển phải lựa chọn cài đặt nén phù hợp dựa trên các nhu cầu cụ thể của dự án của họ.
Một thách thức khác liên quan đến định dạng DDS là hỗ trợ hạn chế của nó bên ngoài phát triển trò chơi và các ứng dụng 3D. Mặc dù được hỗ trợ và sử dụng rộng rãi trong ngành công nghiệp trò chơi điện tử và bởi các API đồ họa như DirectX, các tệp DDS không được tất cả các phần mềm chỉnh sửa hình ảnh hỗ trợ. Hạn chế này đòi hỏi phải chuyển đổi các tệp DDS sang các định dạng được hỗ trợ rộng rãi hơn để chỉnh sửa hoặc xem bên ngoài phần mềm chuyên dụng, có khả năng làm phức tạp quy trình làm việc cho các nghệ sĩ đồ họa.
Tuy nhiên, những tiến bộ trong các công cụ và thư viện phát triển đồ họa đã giảm bớt một số thách thức này. Nhiều gói phần mềm chỉnh sửa hình ảnh hiện đại đã giới thiệu các plugin hoặc hỗ trợ tích hợp cho định dạng DDS, cho phép chỉnh sửa trực tiếp các tệp DDS mà không cần chuyển đổi. Hơn nữa, các thư viện và bộ công cụ nguồn mở đã giúp các nhà phát triển dễ dàng hơn trong việc tích hợp hỗ trợ DDS vào các ứng dụng của họ, mở rộng khả năng truy cập và khả năng sử dụng của định dạng DDS vượt ra ngoài các trò chơi điện tử truyền thống và các ứng dụng 3D.
Việc áp dụng định dạng DDS mở rộng ra ngoài các trò chơi điện tử truyền thống đến các lĩnh vực như thực tế ảo (VR), thực tế tăng cường (AR) và các ứng dụng trực quan hóa chuyên nghiệp. Trong những lĩnh vực này, hiệu quả và khả năng nén của định dạng DDS đặc biệt có giá trị, vì chúng cho phép kết xuất thời gian thực các kết cấu chất lượng cao trong môi trường nhập vai. Điều này đã tạo điều kiện thuận lợi cho việc phát triển các trải nghiệm VR và AR phức tạp và chân thực hơn cũng như các công cụ trực quan hóa độ phân giải cao cho các ứng dụng khoa học và công nghiệp.
Nhìn về tương lai, sự phát triển liên tục của phần cứng và phần mềm đồ họa có khả năng làm tăng thêm tính phù hợp và khả năng của định dạng DDS. Các thuật toán nén mới, hỗ trợ tiên tiến hơn cho hình ảnh dải động cao và hỗ trợ nâng cao cho các kỹ thuật kết xuất mới nổi có thể được tích hợp vào thông số kỹ thuật DDS. Những tiến bộ này sẽ cho phép định dạng DDS tiếp tục đóng vai trò là một công cụ chính trong việc phát triển đồ họa 3D và công nghệ trò chơi tiên tiến.
Tóm lại, định dạng hình ảnh DDS đại diện cho một công nghệ quan trọng trong lĩnh vực đồ họa 3D và phát triển trò chơi, cung cấp sự kết hợp giữa hiệu quả, chất lượng và tính linh hoạt được thiết kế riêng cho nhu cầu kết xuất thời gian thực. Việc hỗ trợ các thuật toán nén khác nhau, lập bản đồ mip, bản đồ khối và hình ảnh dải động cao khiến nó trở thành một định dạng không thể thiếu đối với các nhà phát triển nhằm mục đích vượt qua ranh giới của chất lượng hình ảnh và hiệu suất. Mặc dù có một số thách thức liên quan đến việc áp dụng và sự xuất hiện của hiện tượng nhiễu thông qua nén, định dạng DDS vẫn là nền tảng của các ứng dụng đồ họa 3D hiện đại, với sự hỗ trợ và tiến bộ liên tục đảm bảo tính phù hợp liên tục của nó trong ngành.
Bộ chuyển đổi này chạy hoàn toàn trong trình duyệt của bạn. Khi bạn chọn một tệp, nó sẽ được đọc vào bộ nhớ và chuyển đổi sang định dạng đã chọn. Sau đó, bạn có thể tải xuống tệp đã chuyển đổi.
Việc chuyển đổi bắt đầu ngay lập tức và hầu hết các tệp được chuyển đổi trong vòng chưa đầy một giây. Các tệp lớn hơn có thể mất nhiều thời gian hơn.
Các tệp của bạn không bao giờ được tải lên máy chủ của chúng tôi. Chúng được chuyển đổi trong trình duyệt của bạn và sau đó tệp đã chuyển đổi sẽ được tải xuống. Chúng tôi không bao giờ thấy các tệp của bạn.
Chúng tôi hỗ trợ chuyển đổi giữa tất cả các định dạng hình ảnh, bao gồm JPEG, PNG, GIF, WebP, SVG, BMP, TIFF, v.v.
Bộ chuyển đổi này hoàn toàn miễn phí và sẽ luôn miễn phí. Bởi vì nó chạy trong trình duyệt của bạn, chúng tôi không phải trả tiền cho máy chủ, vì vậy chúng tôi không cần tính phí bạn.
Đúng! Bạn có thể chuyển đổi bao nhiêu tệp tùy thích cùng một lúc. Chỉ cần chọn nhiều tệp khi bạn thêm chúng.