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.
RGF (Raster Graphics Format) là định dạng hình ảnh độc quyền được thiết kế để lưu trữ hiệu quả đồ họa raster cho nhiều ứng dụng khác nhau, từ đồ họa web đơn giản đến hình ảnh nhiếp ảnh phức tạp. Không giống như các định dạng phổ biến như JPEG, PNG hay GIF, RGF hướng đến mục tiêu cung cấp sự kết hợp độc đáo giữa khả năng nén, giữ nguyên chất lượng và tính linh hoạt, khiến định dạng này trở thành lựa chọn hấp dẫn cho một số ứng dụng chuyên biệt. Hiểu được các khía cạnh kỹ thuật của RGF có thể mở ra những tiềm năng mới trong lĩnh vực hình ảnh kỹ thuật số và thiết kế đồ họa.
Về bản chất, định dạng RGF được cấu trúc để lưu trữ hình ảnh dựa trên pixel theo cách tối ưu hóa kích thước tệp mà không làm giảm đáng kể chất lượng hình ảnh. Điều này đạt được thông qua sự kết hợp giữa các kỹ thuật nén không mất dữ liệu và có mất dữ liệu được thiết kế riêng để đáp ứng nhận thức thị giác của mắt người. Bằng cách ưu tiên giữ lại các chi tiết ở những vùng mà mắt nhạy cảm hơn, các tệp RGF thường trông sắc nét và sống động hơn so với các tệp ở các định dạng khác, ngay cả ở tốc độ bit hoặc độ phân giải thấp hơn.
Để hiểu cách RGF đạt được tối ưu hóa, điều cần thiết là phải đi sâu vào cơ chế nén của định dạng này. Định dạng này sử dụng một biến thể của biến đổi cosin rời rạc (DCT), một kỹ thuật phổ biến trong nén hình ảnh, chuyển đổi thông tin miền không gian thành miền tần số. Tuy nhiên, không giống như các triển khai tiêu chuẩn, RGF đưa vào một thành phần thích ứng cho quá trình này. Điều này có nghĩa là thuật toán sẽ điều chỉnh động các tham số của mình dựa trên nội dung của hình ảnh, cho phép biểu diễn dữ liệu hiệu quả hơn và do đó, kích thước tệp nhỏ hơn.
Một tính năng chính khác của định dạng RGF là hỗ trợ gam màu rộng và nội dung dải động cao (HDR). Với sự phổ biến ngày càng tăng của màn hình và nội dung HDR, hỗ trợ gốc của RGF cho các không gian màu mở rộng và dải sáng đảm bảo rằng hình ảnh trông sống động và chân thực. Điều này đặc biệt có lợi trong các lĩnh vực như nhiếp ảnh kỹ thuật số và điện ảnh, nơi mà việc chụp và hiển thị các sắc thái tinh tế về màu sắc và ánh sáng là tối quan trọng.
Các tệp RGF cũng cung cấp khả năng mở rộng và tính linh hoạt ấn tượng, nhờ vào cấu trúc nhiều lớp của chúng. Một tệp hình ảnh RGF có thể chứa nhiều lớp, mỗi lớp đại diện cho các phiên bản khác nhau của hình ảnh ở các độ phân giải hoặc mức chất lượng khác nhau. Phương pháp nhiều lớp này tạo điều kiện phát trực tuyến và hiển thị hiệu quả hình ảnh có độ phân giải cao qua các mạng có giới hạn băng thông. Ví dụ, có thể tải trước bản xem trước có độ phân giải thấp, với các lớp chất lượng cao hơn được tải dần khi cần.
Hơn nữa, RGF tích hợp các khả năng xử lý siêu dữ liệu nâng cao, cho phép nhúng thông tin mở rộng về hình ảnh trực tiếp trong tệp. Siêu dữ liệu này có thể bao gồm dữ liệu EXIF chi tiết về cài đặt máy ảnh, thông tin GPS để gắn thẻ địa lý, chú thích bản quyền và thậm chí cả các trường do người dùng tùy chỉnh. Hỗ trợ siêu dữ liệu toàn diện như vậy không chỉ tăng cường tiện ích của các tệp RGF cho nhiếp ảnh chuyên nghiệp và lưu trữ mà còn đơn giản hóa việc quản lý và chia sẻ hình ảnh trên nhiều nền tảng và ứng dụng.
Bảo mật và bảo vệ bản quyền là những khía cạnh bổ sung mà RGF nổi bật. Định dạng này kết hợp các thuật toán mã hóa mạnh mẽ và kỹ thuật đánh dấu kỹ thuật số để bảo vệ hình ảnh khỏi việc sử dụng và phân phối trái phép. Điều này khiến RGF trở thành một lựa chọn hấp dẫn cho những người sáng tạo và chủ sở hữu quyền muốn phân phối tác phẩm của mình dưới dạng kỹ thuật số trong khi vẫn duy trì quyền kiểm soát đối với việc sử dụng tác phẩm đó. Khả năng tích hợp quản lý quyền kỹ thuật số (DRM) trực tiếp vào các tệp hình ảnh tạo thêm một lớp bảo mật và sự an tâm cho những người sáng tạo nội dung.
Việc triển khai kỹ thuật của RGF liên quan đến một quá trình mã hóa và giải mã phức tạp cho phép định dạng này duy trì sự cân bằng giữa hiệu quả nén và chất lượng hình ảnh. Trong giai đoạn mã hóa, bộ mã hóa RGF xử lý dữ liệu hình ảnh đầu vào, áp dụng DCT thích ứng, lượng tử hóa và các kỹ thuật nén khác. Bộ mã hóa này cũng sắp xếp dữ liệu thành cấu trúc nhiều lớp đã đề cập trước đó, mã hóa từng lớp ở độ phân giải và mức chất lượng được chỉ định. Kết quả là một tệp RGF nhỏ gọn được tối ưu hóa cho cả lưu trữ và truyền tải.
Mặt khác, giải mã các tệp RGF yêu cầu một bộ giải mã tương thích có thể diễn giải dữ liệu đã nén và tái tạo hình ảnh gốc. Quá trình giải mã liên quan đến việc đảo ngược các bước mã hóa: giải nén dữ liệu nhiều lớp, áp dụng DCT nghịch đảo và khôi phục hình ảnh về các giá trị pixel gốc của nó. Do bản chất thích ứng của khả năng nén của RGF, các bộ giải mã cũng phải có khả năng điều chỉnh động các thuật toán của mình dựa trên các tham số được mã hóa và thông số kỹ thuật đầu ra mục tiêu.
Khả năng tương thích và khả năng tương tác với các hệ thống và phần mềm hiện có là những thách thức quan trọng đối với việc áp dụng định dạng RGF. Mặc dù RGF cung cấp nhiều lợi ích so với các định dạng hình ảnh thông thường, nhưng bản chất độc quyền của định dạng này có nghĩa là không tự động đảm bảo được sự hỗ trợ rộng rãi trên các nền tảng, trình duyệt và công cụ chỉnh sửa hình ảnh khác nhau. Các nhà phát triển và nhà sản xuất cần tích hợp các khả năng giải mã RGF vào sản phẩm của họ, điều này yêu cầu phải truy cập vào thông số kỹ thuật của định dạng và có thể là các thỏa thuận cấp phép.
Việc áp dụng RGF có thể đặc biệt mang tính biến đổi trong các ngành công nghiệp phụ thuộc nhiều vào hình ảnh kỹ thuật số, chẳng hạn như bán lẻ trực tuyến, bất động sản và tiếp thị kỹ thuật số. Trong các lĩnh vực này, khả năng xử lý hiệu quả các hình ảnh có độ phân giải cao mà không làm giảm thời gian tải hoặc chất lượng có thể cải thiện đáng kể trải nghiệm và sự tương tác của người dùng. Các tính năng tiên tiến của định dạng này, chẳng hạn như hỗ trợ HDR và nén thích ứng, mang lại những lợi ích hữu hình trong việc trình bày sản phẩm và tài sản theo cách hấp dẫn nhất về mặt thị giác.
Tóm lại, định dạng hình ảnh RGF đại diện cho một bước tiến đáng kể trong công nghệ đồ họa raster, kết hợp hiệu quả nén vô song với khả năng tái tạo hình ảnh chất lượng cao và các tính năng tiên tiến như hỗ trợ HDR, xử lý siêu dữ liệu và bảo vệ bản quyền. Cơ chế nén thích ứng, cấu trúc nhiều lớp và khả năng tương thích với gam màu rộng của định dạng này định vị RGF như một định dạng có khả năng thay đổi cuộc chơi cho các ngành công nghiệp mà chất lượng hình ảnh và kích thước tệp là những cân nhắc quan trọng. Tuy nhiên, bản chất độc quyền của RGF và nhu cầu hỗ trợ rộng rãi hơn của ngành vẫn là những thách thức cần được giải quyết để phát huy hết tiềm năng của định dạng này trên nhiều ứng dụng khác nhau.
Khi công nghệ hình ảnh kỹ thuật số tiếp tục phát triển, vai trò của các định dạng như RGF chắc chắn sẽ trở nên nổi bật hơn. Với những phát triển liên tục trong công nghệ hiển thị, cơ sở hạ tầng mạng và các công cụ tạo nội dung kỹ thuật số, nhu cầu về các định dạng hình ảnh hiệu quả, chất lượng cao sẽ tăng lên. Trong bối cảnh này, các tính năng và khả năng sáng tạo của RGF có thể dẫn đầu trong việc định nghĩa lại cách chúng ta lưu trữ, chia sẻ và trải nghiệm hình ảnh kỹ thuật số, khiến định dạng này trở thành chủ đề được các chuyên gia và người đam mê trong lĩnh vực thiết kế đồ họa và phương tiện kỹ thuật số quan tâm sâu sắc.
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.