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.
Mô hình màu CMYK là mô hình màu trừ đi được sử dụng trong in màu và cũng được sử dụng để mô tả chính quá trình in. CMYK là viết tắt của Cyan (Xanh lơ), Magenta (Hồng tím), Yellow (Vàng) và Key (Đen). Không giống như mô hình màu RGB được sử dụng trên màn hình máy tính và dựa vào ánh sáng để tạo ra màu sắc, mô hình CMYK dựa trên nguyên lý trừ đi của sự hấp thụ ánh sáng. Điều này có nghĩa là màu sắc được tạo ra bằng cách hấp thụ các phần của quang phổ ánh sáng khả kiến, thay vì phát ra ánh sáng ở các màu khác nhau.
Sự ra đời của mô hình màu CMYK có thể bắt nguồn từ nhu cầu của ngành in ấn là tái tạo tác phẩm nghệ thuật đầy đủ màu sắc bằng cách sử dụng bảng màu mực giới hạn. Các phương pháp in màu đầy đủ trước đây rất tốn thời gian và thường không chính xác. Bằng cách sử dụng bốn màu mực cụ thể theo tỷ lệ khác nhau, in CMYK cung cấp một cách để tạo ra nhiều màu sắc một cách hiệu quả và chính xác hơn. Hiệu quả này xuất phát từ khả năng chồng lên bốn loại mực với cường độ khác nhau để tạo ra các sắc độ và bóng khác nhau.
Về cơ bản, mô hình CMYK hoạt động bằng cách trừ đi các lượng khác nhau của màu đỏ, xanh lá cây và xanh lam khỏi ánh sáng trắng. Ánh sáng trắng bao gồm tất cả các màu của quang phổ kết hợp lại. Khi mực màu lục lam, hồng tím và vàng được phủ chồng lên nhau theo tỷ lệ hoàn hảo, về mặt lý thuyết, chúng sẽ hấp thụ toàn bộ ánh sáng và tạo ra màu đen. Tuy nhiên, trong thực tế, sự kết hợp của ba loại mực này tạo ra tông màu nâu sẫm. Để đạt được màu đen thực sự, thành phần chính—mực đen—được sử dụng, đó là nguồn gốc của chữ 'K' trong CMYK.
Quá trình chuyển đổi từ RGB sang CMYK rất quan trọng đối với sản xuất in ấn vì các thiết kế kỹ thuật số thường được tạo bằng mô hình màu RGB. Quá trình này liên quan đến việc chuyển đổi các màu dựa trên ánh sáng (RGB) thành các màu dựa trên sắc tố (CMYK). Việc chuyển đổi không đơn giản do các mô hình tạo ra màu sắc theo những cách khác nhau. Ví dụ, màu RGB rực rỡ có thể không trông sống động khi in bằng mực CMYK do gam màu của mực hạn chế hơn so với ánh sáng. Sự khác biệt này trong việc thể hiện màu sắc đòi hỏi phải quản lý màu cẩn thận để đảm bảo sản phẩm in khớp với thiết kế gốc càng gần càng tốt.
Về mặt kỹ thuật số, màu CMYK thường được biểu diễn dưới dạng phần trăm của từng màu trong bốn màu, từ 0% đến 100%. Ký hiệu này phản ánh lượng mực của từng loại mực cần được áp dụng cho giấy. Ví dụ, màu xanh lá cây đậm có thể được ký hiệu là 100% lục lam, 0% hồng tím, 100% vàng và 10% đen. Hệ thống phần trăm này cho phép kiểm soát chính xác việc pha trộn màu sắc, đóng vai trò quan trọng trong việc đạt được màu sắc nhất quán trong các công việc in khác nhau.
Hiệu chuẩn màu là một khía cạnh quan trọng khi làm việc với mô hình màu CMYK, đặc biệt là khi chuyển đổi từ RGB cho mục đích in ấn. Hiệu chuẩn liên quan đến việc điều chỉnh màu sắc của nguồn (chẳng hạn như màn hình máy tính) để khớp với màu sắc của thiết bị đầu ra (máy in). Quá trình này giúp đảm bảo rằng các màu nhìn thấy trên màn hình sẽ được sao chép chặt chẽ trong các tài liệu in. Nếu không hiệu chuẩn đúng cách, màu sắc có thể xuất hiện khác biệt đáng kể khi in, dẫn đến kết quả không đạt yêu cầu.
Ứng dụng thực tế của mô hình CMYK không chỉ dừng lại ở việc in màu đơn giản. Đây là nền tảng cho nhiều kỹ thuật in khác nhau, bao gồm in kỹ thuật số, in thạch bản và in lụa. Mỗi phương pháp này đều sử dụng mô hình màu CMYK cơ bản nhưng áp dụng mực theo những cách khác nhau. Ví dụ, in thạch bản liên quan đến việc chuyển mực từ một tấm kim loại sang một tấm cao su và cuối cùng là lên bề mặt in, cho phép sản xuất hàng loạt các tài liệu in chất lượng cao.
Một khía cạnh quan trọng cần xem xét khi làm việc với CMYK là khái niệm in chồng và bẫy. In chồng xảy ra khi hai hoặc nhiều loại mực được in chồng lên nhau. Bẫy là một kỹ thuật được sử dụng để bù đắp cho sự không thẳng hàng giữa các loại mực màu khác nhau bằng cách chồng lên nhau một chút. Cả hai kỹ thuật này đều cần thiết để đạt được bản in sắc nét, sạch sẽ mà không có khoảng trống hoặc sai lệch màu sắc, đặc biệt là trong các thiết kế phức tạp hoặc nhiều màu.
Hạn chế của mô hình màu CMYK chủ yếu liên quan đến gam màu của nó. Gam màu CMYK nhỏ hơn gam màu RGB, nghĩa là một số màu hiển thị trên màn hình không thể sao chép được bằng mực CMYK. Sự khác biệt này có thể gây ra thách thức cho các nhà thiết kế, những người phải điều chỉnh màu sắc của mình để có độ trung thực khi in. Ngoài ra, sự thay đổi trong công thức mực, chất lượng giấy và quy trình in đều có thể ảnh hưởng đến diện mạo cuối cùng của màu CMYK, đòi hỏi phải có bản in thử và điều chỉnh để đạt được kết quả mong muốn.
Mặc dù có những hạn chế này, mô hình màu CMYK vẫn không thể thiếu trong ngành in ấn nhờ tính linh hoạt và hiệu quả của nó. Những tiến bộ trong công nghệ mực và kỹ thuật in tiếp tục mở rộng gam màu có thể đạt được và nâng cao độ chính xác và chất lượng của in CMYK. Hơn nữa, ngành công nghiệp đã phát triển các tiêu chuẩn và giao thức để quản lý màu sắc giúp giảm thiểu sự khác biệt giữa các thiết bị và phương tiện khác nhau, đảm bảo kết quả in nhất quán và có thể dự đoán được hơn.
Sự ra đời của công nghệ kỹ thuật số đã mở rộng hơn nữa các ứng dụng và khả năng của mô hình CMYK. Ngày nay, máy in kỹ thuật số có thể trực tiếp chấp nhận các tệp CMYK, tạo điều kiện thuận lợi cho quy trình làm việc mượt mà hơn từ thiết kế kỹ thuật số đến sản xuất in ấn. Ngoài ra, in kỹ thuật số cho phép in ấn số lượng ít linh hoạt và tiết kiệm chi phí hơn, giúp các doanh nghiệp nhỏ và cá nhân có thể đạt được chất lượng in chuyên nghiệp mà không cần phải in số lượng lớn hoặc chi phí liên quan đến in thạch bản truyền thống.
Hơn nữa, các cân nhắc về môi trường ngày càng trở thành một phần của cuộc trò chuyện xung quanh in CMYK. Ngành in ấn đang khám phá nhiều loại mực bền vững hơn, phương pháp tái chế và phương pháp in ấn. Các sáng kiến này nhằm mục đích giảm tác động của in ấn đến môi trường và thúc đẩy tính bền vững trong ngành, phù hợp với các mục tiêu môi trường rộng lớn hơn và kỳ vọng của người tiêu dùng.
Tương lai của in CMYK hướng đến việc tích hợp sâu hơn với các công nghệ kỹ thuật số để nâng cao hiệu quả và đạt được độ chính xác và độ trung thực màu cao hơn. Những cải tiến như công cụ khớp màu kỹ thuật số và máy in tiên tiến giúp các nhà thiết kế và thợ in dễ dàng tạo ra các tài liệu in chất lượng cao phản ánh chính xác các thiết kế mong muốn. Khi công nghệ phát triển, mô hình màu CMYK tiếp tục thích ứng, đảm bảo sự liên quan liên tục của nó trong bối cảnh thiết kế và sản xuất in ấn đang thay đổi nhanh chóng.
Tóm lại, định dạng hình ảnh CMYK đóng một vai trò thiết yếu trong thế giới in ấn bằng cách cho phép tạo ra nhiều màu sắc chỉ bằng bốn màu mực. Bản chất trừ đi của nó, cùng với sự phức tạp của quản lý màu sắc, kỹ thuật in và các cân nhắc về môi trường, khiến nó trở thành một công cụ phức tạp nhưng không thể thiếu trong ngành in ấn. Khi công nghệ và các tiêu chuẩn môi trường phát triển, các chiến lược và phương pháp xung quanh in CMYK cũng sẽ phát triển, đảm bảo vị trí của nó trong tương lai của truyền thông trực quan.
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.