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.
PFM (Portable FloatMap) là một định dạng tệp hình ảnh ít được biết đến nhưng lại cực kỳ quan trọng, đặc biệt trong các lĩnh vực đòi hỏi độ trung thực và chính xác cao về dữ liệu hình ảnh. Không giống như các định dạng phổ biến hơn như JPEG hoặc PNG được thiết kế cho mục đích sử dụng chung và đồ họa web, định dạng PFM được thiết kế riêng để lưu trữ và xử lý dữ liệu hình ảnh có dải động cao (HDR). Điều này có nghĩa là nó có thể biểu diễn một dải mức độ sáng rộng hơn nhiều so với các định dạng hình ảnh 8 bit hoặc thậm chí 16 bit truyền thống. Định dạng PFM thực hiện điều này bằng cách sử dụng các số dấu chấm động để biểu diễn cường độ của mỗi pixel, cho phép có một dải giá trị độ sáng gần như không giới hạn, từ bóng tối nhất đến điểm sáng nhất.
Các tệp PFM được đặc trưng bởi sự đơn giản và hiệu quả trong việc lưu trữ dữ liệu HDR. Về cơ bản, tệp PFM là tệp nhị phân bao gồm phần tiêu đề theo sau là dữ liệu pixel. Tiêu đề là văn bản ASCII, giúp con người có thể đọc được và nó chỉ định thông tin quan trọng về hình ảnh, chẳng hạn như kích thước (chiều rộng và chiều cao) và liệu dữ liệu pixel có được lưu trữ ở định dạng thang độ xám hay RGB hay không. Sau tiêu đề, dữ liệu pixel được lưu trữ ở định dạng nhị phân, với giá trị của mỗi pixel được biểu diễn dưới dạng số dấu chấm động IEEE 32 bit (đối với hình ảnh thang độ xám) hoặc 96 bit (đối với hình ảnh RGB). Cấu trúc này giúp định dạng dễ dàng triển khai trong phần mềm đồng thời cung cấp độ chính xác cần thiết cho hình ảnh HDR.
Một khía cạnh độc đáo của định dạng PFM là hỗ trợ cả thứ tự byte ít bit trước và nhiều bit trước. Tính linh hoạt này đảm bảo rằng định dạng có thể được sử dụng trên các nền tảng máy tính khác nhau mà không gặp vấn đề về khả năng tương thích. Thứ tự byte được chỉ định trong tiêu đề bằng định dạng nhận dạng: 'PF' cho hình ảnh RGB và 'Pf' cho hình ảnh thang độ xám. Nếu định dạng nhận dạng viết hoa, điều đó có nghĩa là tệp sử dụng thứ tự byte nhiều bit trước; nếu viết thường, tệp sử dụng thứ tự byte ít bit trước. Cơ chế này không chỉ thanh lịch mà còn rất quan trọng để bảo toàn độ chính xác của dữ liệu dấu chấm động khi các tệp được chia sẻ giữa các hệ thống có thứ tự byte khác nhau.
Mặc dù có những ưu điểm trong việc biểu diễn hình ảnh HDR, định dạng PFM không được sử dụng rộng rãi trong các ứng dụng dành cho người tiêu dùng hoặc đồ họa web do kích thước tệp lớn do sử dụng biểu diễn dấu chấm động cho mỗi pixel. Hơn nữa, hầu hết các thiết bị hiển thị và phần mềm không được thiết kế để xử lý dải động cao và độ chính xác mà các tệp PFM cung cấp. Do đó, các tệp PFM chủ yếu được sử dụng trong các lĩnh vực chuyên nghiệp như nghiên cứu đồ họa máy tính, sản xuất hiệu ứng hình ảnh và hình ảnh hóa khoa học, nơi chất lượng và độ trung thực của hình ảnh là tối quan trọng.
Việc xử lý các tệp PFM yêu cầu phần mềm chuyên dụng có thể đọc và ghi dữ liệu dấu chấm động một cách chính xác. Do định dạng này được áp dụng hạn chế, nên phần mềm như vậy ít phổ biến hơn các công cụ dành cho các định dạng hình ảnh phổ biến hơn. Tuy nhiên, một số ứng dụng chỉnh sửa và xử lý hình ảnh chuyên nghiệp hỗ trợ các tệp PFM, cho phép người dùng làm việc với nội dung HDR. Các công cụ này thường cung cấp các tính năng không chỉ để xem và chỉnh sửa mà còn để chuyển đổi các tệp PFM sang các định dạng thông thường hơn trong khi cố gắng bảo toàn càng nhiều dải động càng tốt thông qua ánh xạ tông màu và các kỹ thuật khác.
Một trong những thách thức quan trọng nhất khi làm việc với các tệp PFM là thiếu sự hỗ trợ rộng rãi cho nội dung HDR trong phần cứng và phần mềm của người tiêu dùng. Mặc dù đã có sự gia tăng dần dần về hỗ trợ HDR trong những năm gần đây, với một số màn hình và TV mới hơn có khả năng hiển thị d ải mức độ sáng rộng hơn, hệ sinh thái vẫn đang bắt kịp. Tình huống này thường đòi hỏi phải chuyển đổi các tệp PFM sang các định dạng tương thích rộng rãi hơn, mặc dù phải đánh đổi bằng việc mất đi một số dải động và độ chính xác khiến định dạng PFM trở nên rất có giá trị đối với mục đích sử dụng chuyên nghiệp.
Ngoài vai trò chính trong việc lưu trữ hình ảnh HDR, định dạng PFM còn đáng chú ý vì tính đơn giản của nó, khiến nó trở thành một lựa chọn tuyệt vời cho mục đích giáo dục và các dự án thử nghiệm trong đồ họa máy tính và xử lý hình ảnh. Cấu trúc đơn giản của nó cho phép sinh viên và nhà nghiên cứu dễ dàng hiểu và thao tác dữ liệu HDR mà không bị sa lầy vào các thông số kỹ thuật định dạng tệp phức tạp. Tính dễ sử dụng này, kết hợp với độ chính xác và tính linh hoạt của định dạng, khiến PFM trở thành một công cụ vô giá trong các bối cảnh học thuật và nghiên cứu.
Một tính năng kỹ thuật khác của định dạng PFM là hỗ trợ các số vô hạn và cận chuẩn, nhờ sử dụng biểu diễn dấu chấm động IEEE. Khả năng này đặc biệt hữu ích trong hình ảnh hóa khoa học và một số loại công việc đồ họa máy tính, nơi cần biểu diễn các giá trị cực đại hoặc các mức độ rất nhỏ trong dữ liệu. Ví dụ, trong các mô phỏng hiện tượng vật lý hoặc dựng cảnh có nguồn sáng cực kỳ sáng, khả năng biểu diễn chính xác các giá trị cường độ rất cao hoặc rất thấp có thể rất quan trọng.
Tuy nhiên, những lợi ích của độ chính xác dấu chấm động của định dạng PFM đi kèm với nhu cầu tính toán tăng lên khi xử lý các tệp này, đặc biệt là đối với hình ảnh lớn. Vì giá trị của mỗi pixel là một số dấu chấm động, nên các thao tác như thay đổi kích thước hình ảnh, lọc hoặc ánh xạ tông màu có thể tốn nhiều tính toán hơn so với các định dạng hình ảnh dựa trên số nguyên truyền thống. Yêu cầu về sức mạnh xử lý cao hơn này có thể là một hạn chế trong các ứng dụng thời gian thực hoặc trên phần cứng có khả năng hạn chế. Mặc dù vậy, đối với các ứng dụng mà chất lượng hình ảnh cao nhất là tối quan trọng, những lợi ích vượt xa những thách thức về tính toán này.
Định dạng PFM cũng bao gồm các quy định để chỉ định hệ số tỷ lệ và thứ tự bit trong tiêu đề của nó, điều này làm tăng thêm tính linh hoạt của nó. Hệ số tỷ lệ là một số dấu chấm động cho phép tệp chỉ ra dải độ sáng vật lý được biểu diễn bởi dải số của các giá trị pixel của tệp. Tính năng này rất cần thiết để đảm bảo rằng khi các tệp PFM được sử dụng trong các dự án khác nhau hoặc được chia sẻ giữa những người cộng tác, sẽ có sự hiểu biết rõ ràng về cách các giá trị pixel tương quan với các giá trị độ sáng trong thế giới thực.
Mặc dù có những ưu điểm về mặt kỹ thuật của định dạng PFM, nhưng nó vẫn phải đối mặt với những thách thức đáng kể trong việc áp dụng rộng rãi ngoài các môi trường chuyên nghiệp và học thuật thích hợp. Nhu cầu về phần mềm chuyên dụng để xử lý các tệp PFM, kết hợp với kích thước tệp lớn và nhu cầu tính toán, có nghĩa là việc sử dụng nó vẫn còn hạn chế so với các định dạng phổ biến hơn. Để định dạng PFM được chấp nhận rộng rãi hơn, cần có sự thay đổi đáng kể về cả phần cứng có khả năng hiển thị nội dung HDR và hệ sinh thái phần mềm hỗ trợ hình ảnh độ trung thực cao, dải động cao.
Nhìn về phía trước, tương lai của định dạng PFM và hình ảnh HDR nói chung gắn liền với những tiến bộ trong công nghệ hiển thị và thuật toán xử lý hình ảnh. Khi các màn hình có khả năng trình bày dải mức độ sáng rộng hơn trở nên phổ biến hơn và khi các tài nguyên tính toán trở nên dễ tiếp cận hơn, những trở ngại khi sử dụng các định dạng HDR như PFM có thể giảm bớt. Hơn nữa, với nghiên cứu liên tục về các thuật toán hiệu quả hơn để xử lý dữ liệu hình ảnh dấu chấm động, khoảng cách hiệu suất giữa việc xử lý các tệp PFM và các định dạng hình ảnh truyền thống có thể thu hẹp lại, tạo điều kiện thuận lợi hơn nữa cho việc áp dụng hình ảnh HDR trong nhiều ứng dụng hơn.
Tóm lại, định dạng Portable FloatMap (PFM) đại diện cho một công nghệ quan trọng trong lĩnh vực hình ảnh dải động cao, cung cấp độ chính xác và tính linh hoạt vô song để biểu diễn một dải mức độ sáng rộng. Mặc dù tính phức tạp của nó, cùng với nhu cầu về phần mềm và phần cứng chuyên dụng, đã hạn chế việc áp dụng nó trong các bối cảnh chuyên nghiệp và học thuật, nhưng các khả năng của định dạng PFM khiến nó trở thành một tài sản vô giá khi độ trung
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.