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.
Định dạng tài liệu điện tử di động (EPDF) là một sự phát triển hiện đại trong lĩnh vực định dạng tài liệu kỹ thuật số, cung cấp sự kết hợp độc đáo giữa tính linh hoạt, độ bền và khả năng tương thích trên nhiều thiết bị và nền tảng khác nhau. Sự ra đời của nó đánh dấu một bước tiến đáng kể so với các định dạng tài liệu tĩnh truyền thống, bằng cách tích hợp các tính năng tiên tiến như phương tiện tương tác, định dạng hình ảnh chất lượng cao và mã hóa, do đó định nghĩa lại cách tạo, chia sẻ và xem tài liệu trong thời đại kỹ thuật số. Định dạng EPDF được thiết kế để tạo điều kiện không chỉ cho việc xem mà còn cho cả tương tác với nội dung, khiến nó trở nên lý tưởng cho nhiều ứng dụng, từ ấn phẩm học thuật và bài thuyết trình kinh doanh đến sách điện tử tương tác và tờ rơi kỹ thuật số.
Về cốt lõi, định dạng EPDF thể hiện một cấu trúc phức tạp hỗ trợ nhiều loại nội dung ngoài văn bản và hình ảnh. Điều này bao gồm đồ họa vector, mô hình 3D và thậm chí cả video nhúng, mang đến trải nghiệm đa phương tiện phong phú trong một tài liệu duy nhất. Tính linh hoạt như vậy được hỗ trợ bởi việc sử dụng kỹ thuật mã hóa và nhúng tiên tiến, đảm bảo rằng kích thước tệp vẫn có thể quản lý được mà không ảnh hưởng đến chất lượng của phương tiện nhúng. Điều này đặc biệt quan trọng trong việc duy trì khả năng phản hồi và khả năng sử dụng của tài liệu trên các thiết bị có sức mạnh xử lý và kích thước màn hình khác nhau.
Một trong những tính năng nổi bật của định dạng EPDF là hỗ trợ tích hợp các yếu tố tương tác. Người dùng có thể nhúng siêu liên kết, nút, trường biểu mẫu và thậm chí cả JavaScript để tạo các tài liệu động có thể phản hồi đầu vào của người dùng. Chức năng này mở ra nhiều khả năng để tạo tài liệu học tập điện tử, biểu mẫu ứng dụng và khảo sát có tính tương tác cao. Công cụ JavaScript được nhúng cho phép thực hiện các phép toán logic phức tạp, cho phép người tạo tài liệu thiết kế các trải nghiệm được thiết kế riêng có thể thích ứng dựa trên hành động hoặc phản hồi của người dùng.
Bảo mật và quyền riêng tư là tối quan trọng trong thiết kế định dạng EPDF. Nó kết hợp mã hóa đầu cuối, chữ ký số và khả năng tạo hình mờ để bảo vệ thông tin nhạy cảm và đảm bảo tính xác thực của tài liệu. Cơ chế mã hóa dựa trên các giao thức mật mã tiên tiến, cung cấp cả bảo vệ bằng mật khẩu để truy cập tài liệu và mã hóa cụ thể dữ liệu nhạy cảm trong tài liệu. Điều này làm cho EPDF trở thành lựa chọn lý tưởng để chia sẻ các báo cáo bí mật, tài liệu pháp lý và thông tin cá nhân một cách an toàn qua internet.
Việc tạo và chỉnh sửa tài liệu EPDF được tạo điều kiện thuận lợi bởi nhiều công cụ phần mềm, từ các trình chỉnh sửa chuyên dụng có khả năng xử lý các tính năng nâng cao của định dạng đến các công cụ tạo tài liệu thông dụng hơn có khả năng tương thích với EPDF. Các công cụ này cung cấp cho người dùng sự linh hoạt để thiết kế các tài liệu phức tạp kết hợp các yếu tố tương tác, hình ảnh chất lượng cao và nội dung đa phương tiện mà không cần kiến thức chuyên môn sâu rộng. Ngoài ra, phần lớn các giải pháp phần mềm này đều hỗ trợ xuất trực tiếp sang EPDF, giúp hợp lý hóa quy trình sản xuất tài liệu.
Khả năng truy cập là một mối quan tâm chính được giải quyết bởi định dạng EPDF. Nó được thiết kế với các tính năng hỗ trợ trình đọc màn hình, công cụ chuyển văn bản thành giọng nói và các công nghệ hỗ trợ khác, giúp người khuyết tật có thể truy cập được. Điều này bao gồm việc sử dụng thẻ ngữ nghĩa của các yếu tố tài liệu, văn bản thay thế cho hình ảnh và đa phương tiện và các công cụ hỗ trợ điều hướng. Những cân nhắc như vậy đảm bảo rằng các tài liệu không chỉ có thể truy cập rộng rãi mà còn tuân thủ các tiêu chuẩn quốc tế khác nhau về khả năng truy cập kỹ thuật số, khiến EPDF trở thành lựa chọn có trách nhiệm xã hội để tạo tài liệu.
Khả năng tương thích của định dạng EPDF với các hệ điều hành và thiết bị khác nhau càng làm tăng thêm tiện ích của nó. Cho dù trên Windows, macOS, Linux hay các nền tảng di động như iOS và Android, tài liệu EPDF đều có thể được xem và tương tác bằng nhiều phần mềm miễn phí và thương mại. Khả năng tương thích đa nền tảng này đảm bảo rằng các tài liệu tiếp cận được nhiều đối tượng nhất có thể, mà không bị ràng buộc bởi các yêu cầu phần mềm cụ thể. Hơn nữa, định dạng này được hưởng lợi từ các thuật toán nén hiệu quả, giúp có thể chia sẻ các tài liệu chất lượng cao ngay cả trên các kết nối có băng thông hạn chế.
Ở hậu trường, định dạng EPDF tận dụng sự kết hợp của XML để tạo cấu trúc, JavaScript để tương tác và một loạt các kỹ thuật nén để quản lý kích thước tệp hiệu quả. Lớp XML cung cấp một khuôn khổ linh hoạt để xác định cấu trúc và tổ chức nội dung của tài liệu, cho phép nhúng các yếu tố đa phương tiện và các tính năng tương tác theo cách chuẩn hóa. Cách tiếp cận này không chỉ tạo điều kiện thuận lợi cho việc tạo các tài liệu phức tạp mà còn đảm bảo tính nhất quán và độ tin cậy của chúng trên các nền tảng xem khác nhau.
Một cải tiến quan trọng trong định dạng EPDF là hỗ trợ kết xuất thích ứng. Tùy thuộc vào thiết bị và ngữ cảnh xem, tài liệu EPDF có thể tự động điều chỉnh bố cục, khả năng hiển thị nội dung và mức độ tương tác của chúng. Điều này có nghĩa là một tài liệu được xem trên máy tính để bàn có màn hình lớn có thể hiển thị thêm nội dung hoặc bố cục phức tạp hơn so với cùng một tài liệu được xem trên điện thoại thông minh. Hành vi thích ứng này được thúc đẩy bởi các truy vấn phương tiện và JavaScript, cho phép người tạo thiết kế một tài liệu duy nhất mang lại trải nghiệm xem tối ưu trên nhiều thiết bị.
Đối với các nhà xuất bản và người tạo nội dung, định dạng EPDF mang đến những cơ hội vô song để bảo vệ bản quyền. Ngoài mã hóa cơ bản và tạo hình mờ, nó còn cho phép theo dõi việc phân phối và sử dụng tài liệu, được hỗ trợ bởi các khả năng phân tích nhúng. Các nhà xuất bản có thể nhận được thông tin chi tiết về cách truy cập và tương tác với tài liệu của họ, thông tin này có thể cung cấp thông tin cho chiến lược nội dung và các quyết định phân phối. Lớp phân tích này, kết hợp với các tính năng bảo mật mạnh mẽ của định dạng, đảm bảo rằng người tạo có thể duy trì quyền kiểm soát đối với sở hữu trí tuệ của họ trong khi vẫn làm cho nó có thể truy cập rộng rãi.
Sự phát triển của định dạng EPDF là minh chứng cho sự đổi mới liên tục trong công nghệ tài liệu kỹ thuật số. Khi internet ngày càng được tích hợp vào cuộc sống hàng ngày của chúng ta, nhu cầu về các định dạng tài liệu năng động, tương tác và an toàn hơn sẽ tiếp tục tăng. EPDF, với bộ tính năng phong phú và khả năng tương thích rộng rãi, đứng đầu trong quá trình phát triển này, cung cấp một công cụ mạnh mẽ cho bất kỳ ai muốn tạo, chia sẻ hoặc sử dụng nội dung kỹ thuật số. Sự phát triển và áp dụng liên tục của nó chắc chắn sẽ định hình tương lai của tài liệu kỹ thuật số, khiến nó trở nên tương tác hơn, dễ truy cập hơn và an toàn hơn cho người dùng trên toàn thế giới.
Tóm lại, định d ạng hình ảnh EPDF đại diện cho một bước tiến đáng kể trong công nghệ tài liệu kỹ thuật số, cung cấp sự kết hợp chưa từng có giữa tính tương tác, tích hợp đa phương tiện, bảo mật và khả năng truy cập. Thông qua cấu trúc tinh vi và các tính năng tương thích, EPDF cho phép nhiều ứng dụng, từ tài liệu chuyên nghiệp đến phương tiện tương tác. Khi bối cảnh kỹ thuật số tiếp tục phát triển, việc áp dụng EPDF và các tính năng sáng tạo của nó sẽ định nghĩa lại các tiêu chuẩn của tài liệu kỹ thuật số, biến nó thành một công cụ thiết yếu cho những người tạo nội dung, nhà giáo dục, doanh nghiệp và cá nhân muốn tận dụng sức mạnh của phương tiện kỹ thuật số hiện đại.
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.