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.
**Định dạng trao đổi hình ảnh kỹ thuật số (DPX)** là một định dạng tệp hình ảnh được thiết kế riêng cho việc truyền các khung hình tĩnh và chuỗi giữa các thiết bị và ứng dụng khác nhau trong ngành phim ảnh và truyền hình. Có nguồn gốc từ định dạng tệp Cineon (.cin) của Kodak, định dạng DPX được phát triển để chuẩn hóa việc trao đổi hình ảnh phim và siêu dữ liệu của chúng giữa các hệ thống trung gian kỹ thuật số (DI), các ứng dụng hiệu ứng hình ảnh (VFX) và các công cụ phân loại màu. Hiệp hội các kỹ sư phim ảnh và truyền hình (SMPTE) đã chuẩn hóa định dạng DPX theo SMPTE 268M, đảm bảo khả năng tương thích toàn diện và được chấp nhận rộng rãi trong ngành.
Các tệp DPX là các hình ảnh bitmap lớn, không nén lưu trữ dữ liệu hình ảnh theo cách đơn giản, cho phép tạo ra các hình ảnh chất lượng cao, độ phân giải cao cần thiết cho sản xuất phim và truyền hình chuyên nghiệp. Chúng có khả năng lưu trữ dữ liệu hình ảnh ở nhiều độ phân giải, tỷ lệ khung hình và độ sâu màu khác nhau, giúp chúng trở nên cực kỳ linh hoạt. Thông thường, các tệp DPX sử dụng độ sâu màu logarit 10 bit hoặc tuyến tính 16 bit để đáp ứng dải động cao cần thiết trong quy trình làm việc video và phim chuyên nghiệp. Khả năng này đảm bảo rằng các tệp DPX có thể biểu diễn một dải sáng rộng, từ bóng tối nhất đến điểm sáng nhất, mà không bị mất dữ liệu.
Một trong những tính năng chính của định dạng DPX là hỗ trợ siêu dữ liệu mở rộng. Siêu dữ liệu này có thể bao gồm thông tin về nguồn phim hoặc video, chẳng hạn như loại phim, chi tiết sản xuất, thông số kỹ thuật máy ảnh và mã thời gian của khung hình. Ngoài ra, nó có thể mang thông tin quản lý màu, bao gồm màu chính, đặc điểm truyền và dữ liệu màu. Lượng siêu dữ liệu này rất quan trọng để đảm bảo rằng hình ảnh đư ợc xử lý và tái tạo chính xác trên nhiều thiết bị và ứng dụng khác nhau, duy trì tính nhất quán trong phân loại màu và ứng dụng hiệu ứng trong suốt quá trình hậu kỳ.
Tiêu đề tệp DPX đóng vai trò quan trọng trong việc lưu trữ siêu dữ liệu và hướng dẫn các ứng dụng cách giải thích dữ liệu hình ảnh một cách chính xác. Tiêu đề được chia thành các phần bao gồm thông tin tệp, thông tin hình ảnh, thông tin định hướng, thông tin phim và thông tin truyền hình, mỗi phần chứa các loại siêu dữ liệu cụ thể. Ví dụ: phần thông tin tệp chứa dữ liệu chung như số phiên bản của định dạng DPX và kích thước tệp, trong khi phần thông tin hình ảnh nêu chi tiết độ phân giải, tỷ lệ khung hình và thông tin màu của hình ảnh.
Về mặt thông số kỹ thuật, các tệp DPX có thể được lưu theo thứ tự byte lớn hoặc nhỏ, giúp chúng có thể thích ứng với các môi trường máy tính khác nhau. Một tính năng đặc biệt của định dạng DPX là khả năng lưu nhiều hình ảnh trong một tệp duy nhất, tạo điều kiện thuận lợi cho việc biểu diễn nội dung lập thể (3D) hoặc chuỗi hình ảnh để làm hoạt hình và hiệu ứng. Tính năng này nhấn mạnh thiết kế của định dạng để linh hoạt trong các quy trình sản xuất phức tạp, cho phép tích hợp và trao đổi nội dung liền mạch.
Định dạng DPX hỗ trợ nhiều mô hình màu, bao gồm RGB, CIE XYZ và YCbCr, cho phép tương thích với nhiều thiết bị đầu vào và đầu ra. Đối với hình ảnh RGB, mỗi kênh (Đỏ, Xanh lục và Xanh lam) thường được lưu trữ riêng biệt và có hỗ trợ kênh alpha bổ sung để biết thông tin về độ trong suốt, rất quan trọng để ghép trong hiệu ứng hình ảnh. Tính linh hoạt trong biểu diễn màu này đảm bảo rằng các tệp DPX có thể được sử dụng trong hầu hết mọi quy trình xử lý hình ảnh kỹ thuật số, từ chụp ban đầu đến khi giao hàng cuối cùng.
Nén không phải là một tính năng cốt lõi của định dạng DPX, vì nó nhằm mục đích bảo toàn độ trung thực và chi tiết hình ảnh tối đa để sử dụng chuyên nghiệp. Tuy nhiên, để quản lý kích thước tệp lớn kết quả, đặc biệt là khi xử lý các tệp có độ phân giải cao hoặc nhiều hình ảnh, các ứng dụng sử dụng DPX thường triển khai các giải pháp lưu trữ và xử lý tệp của riêng chúng. Các giải pháp này có thể bao gồm các hệ thống lưu trữ dung lượng cao, tốc độ cao và các giao thức truyền tệp hiệu quả để xử lý khối lượng dữ liệu đáng kể liên quan đến các tệp DPX một cách hiệu quả.
Các tệp DPX thường được sử dụng trong không gian màu tuyến tính, nghĩa là các giá trị được lưu trữ biểu thị mức độ ánh sáng tuyến tính. Làm việc trong không gian màu tuyến tính cho phép tính toán và thao tác chính xác hơn về ánh sáng và màu sắc, điều này rất cần thiết để đạt được hiệu ứng chân thực và ghép hình ảnh chất lượng cao. Tuy nhiên, hỗ trợ cho các không gian màu logarit cũng phục vụ cho các quy trình làm việc dựa trên các đường cong phản hồi giống như phim, mang lại tính linh hoạt trong việc xử lý các loại vật liệu nguồn và lựa chọn thẩm mỹ khác nhau.
Kiểm soát phiên bản và xử lý bản sửa đổi rất quan trọng trong môi trường cộng tác và mặc dù bản thân định dạng DPX không hỗ trợ trực tiếp phiên bản trong cấu trúc tệp, nhưng các trường siêu dữ li ệu trong tiêu đề có thể được sử dụng để theo dõi thông tin phiên bản, số cảnh và số lần thực hiện. Phương pháp này cho phép các nhóm tổ chức, quản lý và truy xuất các phiên bản cụ thể của hình ảnh hoặc chuỗi trong suốt quá trình sản xuất, thúc đẩy hiệu quả và giảm khả năng xảy ra lỗi hoặc ghi đè.
Ngoài các thông số kỹ thuật, tầm quan trọng của định dạng DPX nằm ở vai trò của nó trong việc thu hẹp khoảng cách giữa sản xuất phim truyền thống và quá trình hậu kỳ kỹ thuật số. Bằng cách cung cấp một định dạng đáng tin cậy, được chuẩn hóa để trao đổi hình ảnh, DPX tạo điều kiện thuận lợi cho việc tích hợp liền mạch các yếu tố tương tự và kỹ thuật số trong quá trình làm phim. Sự tích hợp này rất quan trọng để bảo tồn ý định nghệ thuật của các nhà làm phim trong khi tận dụng các lợi thế sáng tạo và kỹ thuật của các kỹ thuật hậu kỳ kỹ thuật số.
Việc chuyển thể và sử dụng định dạng DPX trong phần mềm và phần cứng tiêu chuẩn của ngành nhấn mạnh tầm quan trọng của nó. Các hệ thống trung gian kỹ thuật số chính, phần mềm hiệu ứng hình ảnh và các công cụ phân loại màu hỗ trợ định dạng DPX, cho phép quy trình làm việc diễn ra suôn sẻ trong các giai đoạn sản xuất khác nhau. Khả năng xử lý các tệp DPX được coi là yêu cầu cơ bản đối với phần mềm cấp chuyên nghiệp trong ngành phim ảnh và truyền hình, điều này cho thấy ảnh hưởng sâu rộng của định dạng này.
Mặc dù có những điểm mạnh, định dạng DPX vẫn phải đối mặt với những thách thức, đặc biệt là liên quan đến kích thước tệp lớn và nhu cầu về dung lượng lưu trữ và băng thông đáng kể để quản lý hiệu quả các tệp này. Sự xuất hiện của các định dạng hình ảnh và codec mới cung cấp hình ảnh chất lượng cao với các tùy chọn nén tạo ra một bối cảnh cạnh tranh. Tuy nhiên, sự nhấn mạnh của định dạng DPX vào chất lượng hình ảnh không bị ảnh hưởng, kết hợp với hỗ trợ siêu dữ liệu mở rộng và việc áp dụng tiêu chuẩn công nghiệp, tiếp tục khiến nó trở thành lựa chọn ưa thích cho các quy trình sản xuất cao cấp.
Hướng tới tương lai, định dạng DPX tiếp tục phát triển, với các bản cập nhật và sửa đổi nhằm giải quyết các nhu cầu thay đổi của ngành. Các bản cập nhật này đảm bảo rằng nó vẫn tương thích với các công nghệ và quy trình làm việc mới hơn trong khi vẫn duy trì các đặc điểm cốt lõi về độ trung thực cao và tính linh hoạt. Khi ngành công nghiệp chuyển sang độ phân giải cao hơn, dải động tăng và các kỹ thuật sản xuất phức tạp hơn, khả năng thích ứng và hỗ trợ các tính năng tiên tiến của định dạng DPX sẽ là chìa khóa để duy trì sự liên quan của nó.
Tóm lại, định dạng hình ảnh DPX là một công cụ quan trọng trong bối cảnh sản xuất phim và truyền hình chuyên nghiệp. Thiết kế của nó để bảo toàn chất lượng hình ảnh cao, hỗ trợ siêu dữ liệu mở rộng và khả năng thích ứng trên nhiều quy trình làm việc khác nhau khiến nó trở thành một tài sản không thể thiếu. Định dạng DPX minh họa cho sự giao thoa giữa tầm nhìn nghệ thuật và tiến bộ công nghệ, tạo điều kiện thuận lợi cho việc tạo và thao tác hình ảnh theo cách tôn trọng cả nghề làm phim và nhu cầu của hậu kỳ kỹ thuật số. Khi ngành công nghiệp phát triển, vai trò của định dạng DPX trong việc duy trì các tiêu chuẩn cao về độ trung thực hình ảnh và khả năng tương tác giữa các nền tảng và quy trình khác nhau chắc chắn sẽ tiếp tục có tầm quan trọng rất lớn.
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.