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 b ộ 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.
.BAYER là định dạng ảnh thô thường được dùng trong nhiếp ảnh và hình ảnh kỹ thuật số. Định dạng này được đặt theo tên Bryce Bayer, người đã phát minh ra mảng lọc Bayer được sử dụng trong nhiều máy ảnh kỹ thuật số. Mảng lọc Bayer là mảng lọc màu (CFA) cho phép một cảm biến ảnh duy nhất chụp thông tin màu bằng cách sắp xếp các bộ lọc màu đỏ, lục và lam trên cảm biến theo một mẫu cụ thể.
Trong một mảng lọc Bayer thông thường, 50% điểm ảnh là màu lục, 25% là màu đỏ và 25% là màu lam. Sự sắp xếp này bắt chước độ nhạy của mắt người đối với ánh sáng lục, cao hơn độ nhạy đối với ánh sáng đỏ và lam. Mẫu lọc Bayer phổ biến nhất là mẫu RGGB, trong đó mỗi khối 2x2 điểm ảnh bao gồm một điểm ảnh đỏ, hai điểm ảnh lục và một điểm ảnh lam.
Khi chụp ảnh bằng máy ảnh có mảng lọc Bayer, dữ liệu ảnh thô được lưu ở định dạng tệp .BAYER. Dữ liệu thô này chứa các giá trị cường độ được ghi lại bởi từng điểm ảnh trên cảm biến ảnh, không qua bất kỳ xử lý hoặc nội suy nào. Mỗi điểm ảnh trong dữ liệu thô chỉ đại diện cho một kênh màu (đỏ, lục hoặc lam) dựa trên mẫu lọc Bayer.
Để tạo ảnh toàn màu từ dữ liệu .BAYER thô, người ta sử dụng một quy trình gọi là khử nhiễu (hoặc khử Bayer). Các thuật toán khử nhiễu ước tính các giá trị màu còn thiếu cho mỗi điểm ảnh bằng cách nội suy các giá trị từ các điểm ảnh lân cận. Có nhiều thuật toán khử nhiễu khác nhau, mỗi thuật toán có những ưu điểm và nhược điểm riêng về chất lượng ảnh, độ phức tạp về mặt tính toán và giảm nhiễu.
Một trong những phương pháp khử nhiễu đơn giản nhất là nội suy tuyến tính. Trong phương pháp này, các giá trị màu còn thiếu cho một điểm ảnh được tính bằng cách tính trung bình các giá trị của các điểm ảnh gần nhất cùng màu. Ví dụ, để ước tính giá trị đỏ của một điểm ảnh lục, thuật toán sẽ tính trung bình các giá trị đỏ của bốn điểm ảnh đỏ gần nhất. Mặc dù nội suy tuyến tính nhanh và dễ triển khai, nhưng nó có thể dẫn đến nhiễu như viền màu và mất chi tiết.
Các thuật toán khử nhiễu tiên tiến hơn, chẳng hạn như thuật toán định hướng đồng nhất thích ứng (AHD), có tính đến cấu trúc ảnh cục bộ và thông tin cạnh để cải thiện độ chính xác của nội suy. Các thuật toán này phân tích các độ dốc và mẫu trong ảnh để xác định hướng nội suy phù hợp nhất và cân nhắc các đóng góp của các điểm ảnh lân cận cho phù hợp. Các phương pháp khử nhiễu tiên tiến có thể tạo ra ảnh chất lượng cao hơn với ít nhiễu hơn, nhưng chúng đòi hỏi nhiều tài nguyên tính toán hơn.
Ngoài dữ liệu điểm ảnh thô, các tệp .BAYER thường chứa siêu dữ liệu cung cấp thông tin về cài đặt máy ảnh được sử dụng trong quá trình chụp ảnh. Siêu dữ liệu này có thể bao gồm các chi tiết như kiểu máy ảnh, loại ống kính, thời gian phơi sáng, độ nhạy ISO, cân bằng trắng, v.v. Thông tin này rất quan trọng để xử lý dữ liệu ảnh thô sau khi chụp, vì nó cho phép phần mềm áp dụng hiệu chỉnh màu, giảm nhiễu và các điều chỉnh khác phù hợp dựa trên các đặc điểm cụ thể của máy ảnh và điều kiện chụp.
Một trong những lợi thế chính của việc sử dụng định dạng .BAYER là nó bảo toàn lượng thông tin tối đa được cảm biến ảnh chụp lại. Bằng cách lưu trữ dữ liệu điểm ảnh thô mà không qua bất kỳ xử lý nào, các tệp .BAYER cung cấp sự linh hoạt và khả năng kiểm soát cao hơn đối với diện mạo ảnh cuối cùng trong quá trình xử lý sau khi chụp. Các nhiếp ảnh gia và biên tập viên ảnh có thể điều chỉnh nhiều thông số khác nhau như độ phơi sáng, cân bằng trắng và phân loại màu mà không làm giảm chất lượng hoặc tạo ra nhiễu có thể phát sinh khi xử lý ảnh trong máy ảnh.
Tuy nhiên, việc làm việc với các tệp .BAYER cũng có một số nhược điểm. Dữ liệu ảnh thô ở định dạng .BAYER không thể xem trực tiếp và yêu cầu phần mềm hoặc plugin chuyên dụng để xử lý và chuyển đổi thành định dạng ảnh chuẩn như JPEG hoặc TIFF. Ngoài ra, các tệp .BAYER thường lớn hơn các định dạng ảnh đã xử lý vì chúng chứa dữ liệu thô chưa nén. Điều này có thể dẫn đến nhu cầu lưu trữ cao hơn và tốc độ truyền tệp chậm hơn.
Mặc dù có những thách thức này, định dạng .BAYER vẫn là lựa chọn phổ biến đối với các nhiếp ảnh gia chuyên nghiệp và chuyên gia hình ảnh ưu tiên chất lượng hình ảnh và tính linh hoạt trong xử lý sau khi chụp. Nhiều nhà sản xuất máy ảnh có các định dạng ảnh thô độc quyền của riêng họ dựa trên mảng lọc Bayer, chẳng hạn như .CR2 cho Canon, .NEF cho Nikon và .ARW cho Sony. Các định dạng độc quyền này có thể bao gồm siêu dữ liệu và các tính năng bổ sung dành riêng cho thương hiệu máy ảnh, nhưng tất cả đều dựa trên các nguyên tắc cơ bản của mảng lọc Bayer và lưu trữ dữ liệu ảnh thô.
Tóm lại, định dạng tệp .BAYER là định dạng ảnh thô lưu trữ dữ liệu điểm ảnh chưa qua xử lý được chụp bởi máy ảnh kỹ thuật số được trang bị mảng lọc Bayer. Định dạng này bảo toàn lượng thông tin tối đa từ cảm biến ảnh, cho phép linh hoạt và kiểm soát cao hơn trong quá trình xử lý sau khi chụp. Tuy nhiên, việc làm việc với các tệp .BAYER yêu cầu phần mềm chuyên dụng và có thể dẫn đến kích thước tệp lớn hơn so với các định dạng ảnh đã xử lý. Hiểu các nguyên tắc đằng sau mảng lọc Bayer và định dạng .BAYER là điều cần thiết đối với các nhiếp ảnh gia và chuyên gia hình ảnh muốn tối đa hóa chất lượng hình ảnh và tận dụng hết tiềm năng của máy ảnh kỹ thuật số của họ.
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.