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.
PICON ảnh định dạng, viết tắt từ 'PIcture CONtainer', đại diện cho một tiến bộ đáng kể trong lưu trữ và thao tác hình ảnh kỹ thuật số, giải quyết nhiều thách thức mà các định dạng trước đó như JPEG, PNG và TIFF phải đối mặt. Sự ra đời của nó bắt nguồn từ nhu cầu về hiệu quả cao hơn trong nén hình ảnh, độ sâu màu được cải thiện và hỗ trợ tốt hơn cho siêu dữ liệu, khiến nó đặc biệt phù hợp cho cả phương tiện web và in. Định dạng này giới thiệu một cách tiếp cận mới để nén hình ảnh, sử dụng cả kỹ thuật không mất dữ liệu và mất dữ liệu trong một cấu trúc tệp duy nhất, cho phép duy trì chất lượng hình ảnh cao ở kích thước tệp giảm.
Điểm cốt lõi trong thiết kế của PICON là hệ thống nén hai lớp. Lớp đầu tiên sử dụng thuật toán nén không mất dữ liệu, đảm bảo rằng hình ảnh giữ nguyên chất lượng và chi tiết ban đầu, điều này đặc biệt quan trọng đối với các ứng dụng mà việc tái tạo hình ảnh chính xác là điều cần thiết, chẳng hạn như hình ảnh y tế và lưu trữ kỹ thuật số. Lớp thứ hai giới thiệu một tùy chọn nén mất dữ liệu, có thể được áp dụng có chọn lọc cho các phần của hình ảnh mà độ trung thực cao ít quan trọng hơn. Cách tiếp cận kết hợp này cho phép cân bằng tùy chỉnh giữa kích thước tệp và chất lượng hình ảnh, đáp ứng các nhu cầu đa dạng trên các lĩnh vực khác nhau.
Một trong những tính năng nổi bật của định dạng PICON là hỗ trợ bảng màu mở rộng. Không giống như các định dạng truyền thống thường bị giới hạn ở độ sâu màu 24 bit (16,7 triệu màu), PICON hỗ trợ độ sâu màu lên đến 48 bit, cho phép có hơn một nghìn tỷ màu. Độ sâu màu lớn này cải thiện đáng kể tính chân thực của hình ảnh và sự tinh tế trong các sắc thái màu, khiến PICON trở thành lựa chọn lý tưởng cho nhiếp ảnh độ nét cao và nghệ thuật kỹ thuật số, nơi độ chính xác màu sắc là tối quan trọng.
Một lợi thế đáng kể khác của PICON là cách xử lý siêu dữ liệu. Định dạng này cho phép nhúng siêu dữ liệu mở rộng, bao gồm thông tin bản quyền, ngày tạo, gắn thẻ địa lý và thậm chí cả các chi tiết phức tạp như cài đặt máy ảnh được sử dụng trong quá trình chụp. Chức năng này không chỉ nâng cao khả năng sử dụng của các tài sản kỹ thuật số bằng cách giúp chúng dễ tìm kiếm và sắp xếp hơn mà còn đóng vai trò quan trọng trong quản lý quyền và ghi công nội dung, cung cấp giải pháp tích hợp để quản lý quyền hình ảnh kỹ thuật số.
PICON cũng giới thiệu một tính năng sáng tạo được gọi là 'Độ phân giải thích ứng'. Tính năng này cho phép lưu trữ nhiều độ phân giải của một hình ảnh trong cùng một tệp. Khi truy cập, độ phân giải phù hợp nhất được chọn động dựa trên ngữ cảnh xem, chẳng hạn như kích thước màn hình hoặc khả năng băng thông. Điều này loại bỏ nhu cầu lưu trữ và phục vụ nhiều phiên bản của cùng một hình ảnh, giảm đáng kể yêu cầu lưu trữ và đơn giản hóa việc phân phối nội dung trên web.
Khả năng tương thích và tích hợp của định dạng này rất đáng chú ý. Được thiết kế với mục tiêu tương thích ngược, hình ảnh PICON có thể được tích hợp liền mạch vào các hệ sinh thái kỹ thuật số hiện có, bao gồm trình duyệt web, phần mềm chỉnh sửa ảnh và ứng dụng di động. Khả năng tương thích rộng rãi này đảm bảo rằng việc áp dụng định dạng PICON không đòi hỏi phải thay đổi đáng kể đối với các quy trình làm việc hoặc hệ thống hiện tại, giảm rào cản gia nhập cho cả người dùng và người tạo nội dung.
Thuật toán nén của PICON là một lĩnh vực khác mà nó tạo nên sự khác biệt. Dựa trên các nguyên tắc từ cả kỹ thuật nén dựa trên khối truyền thống (như JPEG) và wavelet (như JPEG 2000), nó giới thiệu một cấu trúc thuật toán mới tối ưu hóa cho cả việc giữ lại chi tiết và hiệu quả nén. Thuật toán điều chỉnh động chiến lược nén của nó dựa trên nội dung của hình ảnh, đảm bảo rằng các vùng có nhiều chi tiết được bảo toàn trong khi vẫn đạt được giảm đáng kể kích thước tệp tổng thể.
Các tính năng bảo mật và quyền riêng tư trong định dạng PICON rất mạnh mẽ, giải quyết các mối quan tâm ngày càng tăng trong quản lý nội dung kỹ thuật số. Định dạng này hỗ trợ mã hóa dữ liệu hình ảnh đầu cuối, đảm bảo rằng hình ảnh vẫn được bảo vệ khỏi truy cập trái phép trong quá trình truyền và lưu trữ. Ngoài ra, các tệp PICON có thể nhúng hình mờ kỹ thuật số và thông tin quản lý bản quyền, cung cấp các công cụ cho người tạo nội dung để bảo vệ quyền sở hữu trí tuệ của họ đồng thời tạo điều kiện sử dụng và chia sẻ hợp pháp.
Các tối ưu hóa hiệu suất trong PICON thể hiện rõ trong thiết kế của nó để có thời gian tải nhanh, ngay cả đối với hình ảnh có độ phân giải cao. Định dạng này kết hợp một hệ thống lập chỉ mục hiệu quả, cho phép truy cập nhanh vào dữ liệu hình ảnh mà không cần phải phân tích toàn bộ tệp. Điều này đặc biệt có lợi cho các ứng dụng yêu cầu tải hình ảnh nhanh, chẳng hạn như thư viện trực tuyến, nền tảng thương mại điện tử và tạp chí kỹ thuật số, cải thiện trải nghiệm người dùng và sự tương tác.
Một trong những thách thức quan trọng mà PICON giải quyết là vấn đề về tuổi thọ hình ảnh và chất lượng lưu trữ. Thông qua lớp nén không mất dữ liệu của mình, định dạng này đảm bảo rằng hình ảnh có thể được bảo toàn mà không bị suy giảm theo thời gian, một yếu tố thiết yếu đối với các kho lưu trữ, thư viện và bảo tàng. Hơn nữa, thiết kế có tính hướng tới tương lai của định dạng này bao gồm các điều khoản cho việc mở rộng và cập nhật trong tương lai, đảm bảo rằng các hình ảnh được lưu trữ ở định dạng PICON vẫn có thể truy cập và có liên quan khi công nghệ phát triển.
Mặc dù có nhiều ưu điểm, việc áp dụng PICON vẫn phải đối mặt với những thách thức, đặc biệt là trong lĩnh vực tiêu chuẩn hóa và tuân thủ. Là một định dạng tương đối mới, việc thiết lập nó như một tiêu chuẩn trên các nền tảng và phần mềm khác nhau đòi hỏi nỗ lực phối hợp từ các nhà phát triển, nhà sản xuất và các cơ quan quản lý. Ngoài ra, trong khi sự phức tạp của nó cho phép sử dụng linh hoạt, nó cũng có thể gây ra rào cản đối với việc áp dụng đối với các tổ chức nhỏ hơn hoặc người dùng cá nhân không có khả năng kỹ thuật để tích hợp và sử dụng định dạng này một cách hiệu quả.
Tóm lại, định dạng hình ảnh PICON đại diện cho một cách tiếp cận hướng tới tương lai đối với việc xử lý hình ảnh kỹ thuật số, mang lại những cải tiến đáng kể so với các định dạng hiện có về hiệu quả nén, độ sâu màu, quản lý siêu dữ liệu và khả năng thích ứng với các trường hợp sử dụng khác nhau. Sự phát triển của nó phản ánh sự hiểu biết về nhu cầu đang thay đổi của cả người tạo và người tiêu dùng nội dung kỹ thuật số, hứa hẹn mở đường cho việc tạo, lưu trữ và chia sẻ hình ảnh hiệu quả, linh hoạt và an toàn hơn. Khi bối cảnh kỹ thuật số tiếp tục phát triển và thay đổi, vai trò của các định dạng tiên tiến như PICON trong việc nâng cao tương tác của chúng ta với hình ảnh kỹ thuật số chắc chắn sẽ trở nên ngày càng quan trọng.
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.