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.
PNG64 ảnh định dạng đứng như một phiên bản nâng cao của rộng rãi công nhận Đồ họa mạng di động (PNG) định dạng, phù hợp để đáp ứng nhu cầu cho độ sâu màu cao hơn và khả năng trong suốt nâng cao trong hình ảnh kỹ thuật số. Phiên bản nâng cao này mở rộng khả năng của PNG thông thường bằng cách hỗ trợ độ sâu màu 64 bit, về cơ bản bao gồm 16 bit cho mỗi kênh cho màu đỏ, xanh lục, xanh lam và thêm 16 bit cho kênh trong suốt alpha. Sự nâng cao cơ bản này mở ra một kỷ nguyên mới về chất lượng hình ảnh, cho phép có hơn 281 nghìn tỷ màu, do đó đảm bảo rằng hình ảnh được hiển thị với độ chính xác và sống động vô song.
Sự ra đời của định dạng PNG64 có thể bắt nguồn từ nhu cầu ngày càng tăng về độ trung thực cao hơn trong hình ảnh kỹ thuật số trên nhiều ứng dụng khác nhau, bao gồm nghệ thuật kỹ thuật số, nhiếp ảnh chuyên nghiệp và thiết kế đồ họa độ nét cao. Các định dạng hình ảnh truyền thống như JPEG hoặc PNG tiêu chuẩn bị giới hạn về độ sâu màu của chúng, thường giới hạn ở mức 8 hoặc 16 bit cho mỗi kênh, điều này có thể dẫn đến dải màu trong các gradient và không đủ chi tiết trong các cảnh có độ tương phản cao. PNG64 giải quyết những hạn chế này bằng cách tăng đáng kể phạm vi màu sắc và chi tiết có thể được mã hóa trong một hình ảnh, biến nó thành một công cụ vô giá cho các chuyên gia tìm kiếm chất lượng cao nhất có thể.
Về cốt lõi, định dạng PNG64 duy trì tính toàn vẹn về cấu trúc và chức năng của phiên bản tiền nhiệm, tận dụng cùng một thuật toán nén không mất dữ liệu đảm bảo không mất chất lượng hình ảnh khi lưu. Điều này đặc biệt quan trọng đối với mục đích lưu trữ và các ngành công nghiệp mà độ chính xác là tối quan trọng, chẳng hạn như lưu trữ kỹ thuật số và hình ảnh khoa học. Bản chất không mất dữ liệu của PNG64 có nghĩa là, mặc dù có độ trung thực cao hơn, hình ảnh có thể được nén đến kích thước có thể quản lý được mà không làm mất bất kỳ chi tiết nào, khiến nó trở thành lựa chọn thực tế cho cả mục đích sử dụng ngoại tuyến và trực tuyến.
Kênh trong suốt alpha được cải tiến trong PNG64 đại diện cho một bước tiến đáng kể trong việc hiển thị các đối tượng mờ và bán trong suốt. Với 16 bit dành riêng cho độ trong suốt, PNG64 cho phép có độ dốc mượt hơn nhiều ở các mức độ mờ đục, từ hoàn toàn trong suốt đến hoàn toàn mờ đục. Khả năng này đặc biệt có lợi trong thiết kế đồ họa, nơi các hiệu ứng trong suốt tinh tế có thể ảnh hưởng đáng kể đến hình ảnh trình bày, cũng như trong thiết kế web, nơi các biểu tượng và các thành phần giao diện thường yêu cầu độ trong suốt chính xác để hòa trộn liền mạch với nhiều hình nền khác nhau.
Việc áp dụng PNG64 đòi hỏi một số cân nhắc nhất định, đặc biệt là về kích thước tệp và khả năng tương thích. Với độ sâu màu và độ trong suốt mở rộng, các tệp PNG64 vốn lớn hơn so với các tệp PNG tương ứng. Điều này có ý nghĩa đối với việc sử dụng web, nơi thời gian tải và s ử dụng băng thông là các yếu tố quan trọng. Do đó, nên sử dụng PNG64 một cách thận trọng, dành riêng cho các tình huống mà chất lượng hình ảnh được ưu tiên hơn kích thước tệp. Hơn nữa, khả năng tương thích với phần mềm hoặc hệ thống cũ không hỗ trợ 16 bit cho mỗi kênh có thể gây ra thách thức, đòi hỏi phải kiểm tra môi trường người dùng cuối để đảm bảo trải nghiệm liền mạch.
Nền tảng kỹ thuật của PNG64 bắt nguồn từ cấu trúc tệp của nó, rất giống với cấu trúc của các tệp PNG tiêu chuẩn. Một tệp PNG64 bao gồm một tiêu đề, chứa thông tin quan trọng về hình ảnh như kích thước và độ sâu bit của nó, theo sau là một số khối lưu trữ dữ liệu hình ảnh thực tế và siêu dữ liệu. Độ sâu bit tăng trong PNG64 đòi hỏi phải sửa đổi các khối này, cho phép chúng chứa được lượng dữ liệu lớn hơn cần thiết cho hình ảnh màu 64 bit. Trong số đó, khối Tiêu đề hình ảnh (IHDR) đóng vai trò chính, vì nó phải báo hiệu chính xác độ sâu 16 bit cho mỗi kênh để đảm bảo giải mã và hiển thị đúng.
Nén trong PNG64 vẫn là một trong những tính năng ấn tượng nhất của nó, sử dụng cùng một thuật toán DEFLATE được sử dụng bởi các tệp PNG tiêu chuẩn. Mặc dù lượng dữ liệu tăng lên, thuật toán này vẫn giảm hiệu quả kích thước tệp bằng cách xác định và loại bỏ sự trùng lặp trong dữ liệu hình ảnh. Tuy nhiên, hiệu quả của việc nén có thể thay đổi tùy thuộc vào nội dung hình ảnh; hình ảnh có vùng màu đồng nhất lớn hoặc các mẫu đơn giản có xu hướng nén hiệu quả hơn. Sự thay đổi vốn có này nhấn mạnh tầm quan trọng của việc xem xét bản chất của hình ảnh khi chọn PNG64, vì hình ảnh phức tạp với độ biến thiên màu cao có thể dẫn đến kích thước tệp lớn hơn.
Việc tạo và thao tác hình ảnh PNG64 yêu cầu phần mềm cụ thể có khả năng xử lý các tính năng nâng cao vốn có của định dạng này. Nhiều phần mềm chỉnh sửa hình ảnh và đồ họa cao cấp đã được cập nhật để hỗ trợ PNG64, cung cấp cho người dùng khả năng làm việc trực tiếp với định dạng này. Điều này bao gồm các khả năng như điều chỉnh độ sâu bit, quản lý các cấu hình màu và tinh chỉnh các cài đặt độ trong suốt. Đối với các nhà phát triển, các thư viện như libpng đã được mở rộng để bao gồm hỗ trợ cho PNG64, tạo điều kiện tích hợp định dạng này vào các ứng dụng và dịch vụ.
Một trong những ứng dụng chính của PNG64 là trong nhiếp ảnh kỹ thuật số, nơi việc chụp được dải màu và sắc thái rộng nhất trong ánh sáng là rất quan trọng. Các nhiếp ảnh gia có thể hưởng lợi từ khả năng duy trì tính toàn vẹn của cảnh gốc của định dạng, với các sắc thái và độ dốc tinh tế được bảo toàn trong chi tiết ngoạn mục. Điều này làm cho PNG64 trở thành lựa chọn lý tưởng để lưu trữ các bản sao chính của ảnh, cung cấp một bản âm kỹ thuật số có thể được tái tạo hoặc sửa đổi chính xác mà không bị suy giảm.
Trong lĩnh vực nghệ thuật kỹ thuật số và thiết kế đồ họa, màu sắc sâu và khả năng trong suốt của PNG64 mở ra những khả năng sáng tạo mới. Các nghệ sĩ có thể sử dụng bảng màu rộng hơn và các hiệu ứng trong suốt tinh tế, đặc biệt quan trọng trong các bố cục phức tạp hoặc khi làm việc với nhiều chế độ hòa trộn khác nhau. Chi tiết nâng cao và độ đặc hiệu về màu sắc cũng làm cho PNG64 phù hợp với các tình huống in ấn chuyên nghiệp, nơi tái tạo màu sắc và kết cấu thực của tác phẩm nghệ thuật là tối quan trọng.
Mặc dù có nhiều ưu điểm, PNG64 không phải là không có thách thức, đặc biệt là về hiệu suất và lưu trữ. Kích thước tệp lớn hơn liên quan đến hình ảnh PNG64 có thể làm căng các giải pháp lưu trữ và làm chậm thời gian xử lý hình ảnh, đặc biệt là trong môi trường có nguồn lực hạn chế. Hơn nữa, sự phức tạp gia tăng trong việc xử lý dữ liệu màu 64 bit đòi hỏi nhiều hơn từ phần cứng và phần mềm, có khả năng hạn chế việc sử dụng PNG64 trong các thiết bị có thông số kỹ thuật thấp và ảnh hưởng đến hiệu suất chung của hệ thống.
Tương lai của PNG64 trong bối cảnh hình ảnh kỹ thuật số có vẻ đầy hứa hẹn, với những cải tiến liên tục trong các thuật toán nén và phần cứng xử lý dần dần giảm thiểu các mối quan tâm liên quan đến kích thước tệp và hiệu suất. Khi công nghệ phát triển, sự đánh đổi giữa chất lượng và hiệu quả dự kiến sẽ giảm bớt, khiến PNG64 dễ tiếp cận hơn và hấp dẫn hơn đối với nhiều ứng dụng hơn. Hơn nữa, tầm quan trọng ngày càng tăng của độ trung thực hình ảnh trong việc tạo và tiêu thụ nội dung kỹ thuật số nhấn mạnh sự liên quan và khả năng mở rộng liên tục của định dạng PNG64.
Tóm lại, định dạng hình ảnh PNG64 đại diện cho một bước tiến đáng kể trong công nghệ hình ảnh kỹ thuật số, cung cấp độ sâu màu và khả năng kiểm soát độ trong suốt chưa từng có. Khả năng hiển thị hình ảnh với độ chi tiết và sống động đặc biệt khiến nó trở thành lựa chọn hấp dẫn cho cả những người chuyên nghiệp và những người đam mê. Mặc dù định dạng này đặt ra những thách thức về kích thước tệp, khả năng tương thích và hiệu suất, nhưng những lợi ích mà nó mang lại về chất lượng hình ảnh là vô song. Khi ngành công nghiệp hình ảnh kỹ thuật số tiếp tục phát triển, PNG64 vẫn là minh chứng cho cuộc tìm kiếm sự hoàn hảo liên tục trong đại diện hình ảnh, hứa hẹn sẽ đóng một vai trò quan trọng trong tương lai của nghệ thuật kỹ thuật số, nhiếp ảnh và
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.