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 vi ết 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.
FF (Fast Format) là định dạng hình ảnh tương đối mới trong lĩnh vực mã hóa hình ảnh kỹ thuật số, được thiết kế riêng để đáp ứng nhu cầu ngày càng tăng về xử lý tốc độ cao và truyền hình ảnh trên nhiều thiết bị và nền tảng khác nhau. Không giống như các định dạng truyền thống như JPEG, PNG hay GIF, định dạng FF nhấn mạnh thời gian tải nhanh, mất dữ liệu tối thiểu trong quá trình nén và cấu trúc linh hoạt hỗ trợ nhiều loại hình ảnh từ ảnh chụp chi tiết cao đến đồ họa đơn giản. Sự phát triển của định dạng này là phản ứng trước nhu cầu ngày càng cao của công nghệ hình ảnh kỹ thuật số và internet, trong đó tốc độ và hiệu quả đã trở nên tối quan trọng.
Một trong những khía cạnh cơ bản của định dạng FF là thuật toán nén độc đáo, cân bằng giữa nhu cầu về chất lượng và tốc độ. Thuật toán sử dụng kết hợp các kỹ thuật nén có mất mát và không mất mát, điều chỉnh động theo nội dung của hình ảnh để đảm bảo hiệu suất tối ưu. Đối với hình ảnh chi tiết với dải màu rộng, định dạng FF sử dụng phư ơng pháp nén có mất mát tinh vi giúp giảm đáng kể kích thước tệp mà không làm giảm đáng kể chất lượng. Ngược lại, đối với đồ họa đơn giản có ít màu hơn, định dạng này áp dụng nén không mất mát, giữ nguyên độ sắc nét và rõ ràng của hình ảnh gốc.
Cấu trúc của tệp FF được thiết kế vừa mạnh mẽ vừa linh hoạt, hỗ trợ nhiều loại siêu dữ liệu và không gian màu. Về cơ bản, định dạng này sử dụng một bộ chứa có thể chứa nhiều luồng dữ liệu, bao gồm dữ liệu hình ảnh, thông tin cấu hình màu và bất kỳ siêu dữ liệu bổ sung nào như thông báo bản quyền hoặc dữ liệu GPS. Cách tiếp cận theo mô-đun này không chỉ tạo điều kiện cho thông tin hình ảnh phong phú hơn mà còn tăng cường khả năng tương thích với các thiết bị và phần mềm khác nhau, đảm bảo rằng hình ảnh có thể được hiển thị và xử lý chính xác bất kể nền tảng nào.
Một tính năng đặc biệt của định dạng FF là hỗ trợ hình ảnh dải động cao (HDR) và gam màu rộng (WCG), ngày càng trở nên phổ biến trong nhiếp ảnh, điện ảnh và thậm chí cả điện thoại thông minh. Kiến trúc của định dạng FF cho phép lưu trữ hình ảnh có độ sâu bit cao hơn và dải màu rộng hơn, tạo ra hình ảnh chi tiết và sống động hơn. Khả năng này đặc biệt quan trọng đối với các chuyên gia trong lĩnh vực nhiếp ảnh và phương tiện truyền thông trực quan, nơi độ chính xác màu sắc và độ trung thực của hình ảnh là rất quan trọng.
Một khía cạnh quan trọng khác của định dạng FF là tập trung vào tốc độ, đặc biệt là về mặt giải mã và hiển thị hình ảnh trên các thiết bị. Định dạng này được thiết kế đ ể tận dụng phần cứng hiện đại, bao gồm GPU và CPU đa lõi, để tăng tốc các tác vụ xử lý hình ảnh. Định dạng này kết hợp các kỹ thuật xử lý song song và cấu trúc mã hóa hiệu quả cho phép giải mã và hiển thị nhanh chóng, ngay cả đối với hình ảnh có độ phân giải cao. Điều này làm cho định dạng FF đặc biệt phù hợp cho các ứng dụng mà tốc độ là yếu tố cốt lõi, chẳng hạn như phát video thời gian thực, đồ họa trò chơi trực tuyến và thiết kế web đáp ứng.
Định dạng FF cũng giải quyết vấn đề bảo mật hình ảnh và bảo vệ bản quyền, một mối quan tâm ngày càng quan trọng trong thời đại kỹ thuật số. Định dạng này bao gồm hỗ trợ tích hợp cho mã hóa và chèn hình mờ kỹ thuật số, cho phép người tạo nội dung bảo vệ hình ảnh của họ khỏi việc sử dụng trái phép. Tính năng mã hóa cho phép truyền hình ảnh an toàn qua internet, trong khi chèn hình mờ kỹ thuật số giúp theo dõi và quản lý hành vi vi phạm bản quyền. Các biện pháp bảo mật này được tích hợp liền mạch vào định dạng FF, đảm bảo rằng chúng không ảnh hưởng đến tốc độ hoặc chất lượng của hình ảnh.
Khả năng tương tác là một thế mạnh khác của định dạng FF. Định dạng này được thiết kế để hoạt động liền mạch trên nhiều hệ điều hành, thiết bị và trình duyệt khác nhau mà không cần các trình cắm hoặc bộ chuyển đổi chuyên dụng. Khả năng tương thích phổ quát này đạt được thông qua các tiêu chuẩn mở và chiến lược áp dụng rộng rãi liên quan đến sự hợp tác với các nhà sản xuất thiết bị, nhà phát triển phần mềm và nền tảng trực tuyến. Bằng cách đảm bảo rằng định dạng FF có thể dễ dàng tích hợp vào các hệ sinh thái hiện có, các nhà phát triển của định dạng này nhằm mục đích tạo điều kiện cho việc áp dụng và sử dụng rộng rãi.
Việc tích hợp các tính năng xử lý hình ảnh nâng cao như hiệu chỉnh màu tự động, ổn định hình ảnh và giảm nhiễu càng làm cho định dạng FF trở nên khác biệt so với các định dạng cùng thời. Các tính năng này được hỗ trợ bởi trí tuệ nhân tạo và các thuật toán học máy phân tích nội dung của hình ảnh và áp dụng các hiệu chỉnh hoặc cải tiến khi cần thiết. Những khả năng như vậy không chỉ cải thiện chất lượng hình ảnh mà còn đơn giản hóa quy trình làm việc hậu xử lý cho các nhiếp ảnh gia và nhà thiết kế đồ họa, tiết kiệm thời gian và công sức.
Mặc dù có nhiều lợi ích, việc áp dụng định dạng FF vẫn phải đối mặt với những thách thức, chủ yếu là do sự thống trị hiện tại của các định dạng hình ảnh đã được thiết lập và sự trì trệ liên quan đến việc chuyển sang một định dạng mới. Tuy nhiên, các nhà phát triển và người ủng hộ định dạng này đang tích cực nỗ lực để vượt qua những trở ngại này thông qua giáo dục, chứng minh những lợi thế của định dạng FF và cung cấp các công cụ dễ sử dụng để chuyển đổi và tích hợp. Khi ngày càng nhiều người dùng trực tiếp trải nghiệm những lợi ích của định dạng FF, việc áp dụng định dạng này dự kiến sẽ tăng lên, dần dần thay thế hoặc bổ sung cho các định dạng hình ảnh truyền thống.
Định dạng FF cũng có các ứng dụng tiềm năng vượt ra ngoài hình ảnh tĩnh. Thuật toán nén hiệu quả và khả năng xử lý nhanh chóng của định dạng này khiến định dạng này trở thành lựa chọn tuyệt vời cho đồ họa hoạt hình và video clip ngắn. Khả năng thích ứng này mở ra những khả năng mới cho thiết kế web, quảng cáo kỹ thuật số và nội dung truyền thông xã hội, nơi hình ảnh hấp dẫn là rất quan trọng để thu hút và giữ sự chú ý của người xem. Bằng cách mở rộng phạm vi tiếp cận của mình vào các lĩnh vực này, định dạng FF có thể cách mạng hóa cách tạo và tiêu thụ nội dung trực quan trực tuyến.
Tác động đến môi trường là một cân nhắc ngày càng quan trọng trong công nghệ kỹ thuật số và ở đây, định dạng FF cũng có những lợi thế. Hiệu quả của định dạng này không chỉ tiết kiệm thời gian xử lý và năng lượng mà còn giảm không gian lưu trữ cần thiết cho hình ảnh, dẫn đến giảm mức tiêu thụ năng lượng của trung tâm dữ liệu. Trong thời đại mà dấu chân kỹ thuật số được xem xét kỹ lưỡng về tác động đến môi trường, việc áp dụng định dạng FF có thể góp phần vào các hoạt động điện toán bền vững hơn.
Sự phát triển của định dạng FF là minh chứng cho sự đổi mới liên tục trong lĩnh vực hình ảnh kỹ thuật số. Định dạng này đại diện cho một bước tiến đáng kể trong việc giải quyết nhu cầu của người dùng và nền tảng hiện đại, từ góc độ tốc độ, chất lượng, bảo mật và khả năng tương tác. Với sự kết hợp độc đáo giữa các tính năng, định dạng FF được định vị để trở thành một yếu tố chính trong tương lai của hình ảnh kỹ thuật số, định hình lại cách hình ảnh được lưu trữ, chia sẻ và xem trong một thế giới ngày càng kết nối và hư ớng đến hình ảnh.
Tóm lại, định dạng hình ảnh FF đại diện cho một bước phát triển đột phá trong lĩnh vực hình ảnh kỹ thuật số, cung cấp một giải pháp toàn diện giải quyết những hạn chế hiện tại của các định dạng hình ảnh truyền thống. Bằng cách kết hợp tốc độ cao, hiệu quả, chất lượng và một loạt các tính năng nâng cao, định dạng FF đáp ứng nhu cầu ngày càng tăng của các nhiếp ảnh gia, nhà thiết kế và người tạo nội dung, cũng như các yêu cầu của các nền tảng kỹ thuật số hiện đại. Khi được áp dụng, định dạng FF sẽ thay đổi bối cảnh của hình ảnh kỹ thuật số, mở ra kỷ nguyên mới của nội dung trực quan nhanh hơn, sống động hơn và an toàn hơn bao giờ hết.
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.