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.
DXT5, cũng được biết đến với tên gọi chính thức là BC3 (Nén khối 3), là một phần của họ định dạng Nén kết cấu DirectX (DXTC), do Microsoft phát triển để nén kết cấu hiệu quả trong các ứng dụng đồ họa 3D. Định dạng này đặc biệt phù hợp để nén các bản đồ khuếch tán và phản chiếu có kênh alpha, trong đó việc duy trì sự cân bằng giữa chất lượng hình ảnh và kích thước tệp là rất quan trọng. Không giống như các phiên bản tiền nhiệm, DXT1 và DXT3, DXT5 cung cấp nén alpha nội suy, mang lại các chuyển tiếp mượt mà hơn và thể hiện chính xác hơn các kết cấu bán trong suốt.
Các nguyên tắc cơ bản của nén DXT5 xoay quanh khả năng nén các khối pixel 4x4 thành các khối 128 bit có kích thước cố định. Phương pháp này cho phép giảm đáng kể kích thước kết cấu, thường là theo hệ số từ 4:1 đến 6:1, mà không cần đến các tài nguyên tính toán mở rộng mà các kết cấu có độ phân giải đầy đủ yêu cầu. Chìa khóa để đạt được hiệu quả nằm ở cách nén thông tin màu sắc và alpha riêng biệt nhưng trong cùng một cấu trúc dữ liệu, tối ưu hóa cả tính nhất quán về không gian và kích thước lưu trữ.
Nén màu trong DXT5 sử dụng một phương pháp tương tự như phương pháp được tìm thấy trong DXT1. Trong mỗi khối pixel 4x4, hai giá trị màu 16 bit được lưu trữ. Các màu này được biểu diễn ở định dạng RGB 5:6:5 bit (5 bit cho màu đỏ, 6 bit cho màu xanh lục và 5 bit cho màu xanh lam). Từ hai màu này, hai màu trung gian bổ sung được tính toán, tạo ra bảng màu gồm bốn màu cho khối. Tuy nhiên, không giống như DXT1, DXT5 sử dụng nén màu này kết hợp với nén alpha để xử lý hiệu quả hơn các hình ảnh có độ trong suốt ở các mức độ khác nhau.
Nén alpha trong DXT5 là nơi nó khác biệt đáng kể so với phiên bản tiền nhiệm, DXT3. DXT5 lưu trữ hai giá trị alpha 8 bit xác định các điểm cuối của một phạm vi alpha. Sau đó, tương tự như cách nội suy màu sắc, sáu giá trị alpha bổ sung được tính toán để tạo tổng cộng tám bước alpha. Các bước này cho phép kiểm soát chi tiết đối với độ trong suốt trong mỗi khối 4x4, cho phép thể hiện các hình ảnh phức tạp với các gradient mượt mà và các mức độ mờ đục khác nhau.
Quá trình mã hóa cho một khối pixel 4x4 trong DXT5 bao gồm một số bước. Đầu tiên, thuật toán xác định hai màu riêng biệt nhất trong khối và chọn chúng làm điểm cuối màu sắc. Đồng thời, nó chọn hai giá trị alpha thể hiện tốt nhất sự thay đổi alpha trong khối. Dựa trên các điểm cuối này, các màu trung gian và alpha được tính toán. Sau đó, mỗi pixel trong khối được ánh xạ đến màu gần nhất và giá trị alpha từ các bảng màu tương ứng và các chỉ số này được lưu trữ. Khối dữ liệu 128 bit cuối cùng bao gồm các điểm cuối màu sắc, điểm cuối alpha và các chỉ số cho cả ánh xạ màu sắc và alpha.
Sự tinh vi về mặt kỹ thuật của DXT5 nằm ở khả năng cân bằng hiệu quả nén với độ trung thực hình ảnh. Sự cân bằng này đạt được thông qua việc sử dụng các thuật toán tinh vi phân tích từng khối 4x4 để xác định lựa chọn tối ưu các điểm cuối màu sắc và alpha. Hơn nữa, phương pháp này tận dụng tính nhất quán về không gian, giả định rằng các pixel lân cận trong một khối có khả năng chia sẻ các giá trị màu sắc và alpha tương tự nhau. Giả định này cho phép biểu diễn dữ liệu hiệu quả cao, khiến DXT5 trở thành lựa chọn tuyệt vời cho các ứng dụng 3D thời gian thực, nơi băng thông bộ nhớ và không gian lưu trữ bị hạn chế.
Việc triển khai nén và giải nén DXT5 đòi hỏi phải hiểu cả các nguyên lý cơ bản về mặt lý thuyết và các cân nhắc thực tế. Về phía nén, người ta phải lựa chọn cẩn thận các điểm cuối màu sắc và alpha ban đầu, một quá trình có thể liên quan đến các thuật toán heuristic để ước lượng sự phù hợp tốt nhất cho dữ liệu pixel đã cho. Mặt khác, giải nén tương đối đơn giản, liên quan đến việc nội suy tuyến tính các màu sắc và alpha theo các chỉ số được lưu trữ trong dữ liệu đã nén. Tuy nhiên, việc đảm bảo nội suy chính xác và hiệu quả, đặc biệt là trong các triển khai phần cứng, đặt ra một loạt các thách thức riêng.
Việc DXT5 được áp dụng rộng rãi trong ngành công nghiệp trò chơi và hơn thế nữa là minh chứng cho hiệu quả của nó trong việc cân bằng chất lượng và hiệu suất. Các nhà phát triển trò chơi tận dụng DXT5 để đạt được các kết cấu chi tiết, có độ phân giải cao, nếu không sẽ bị cấm về mặt sử dụng bộ nhớ và băng thông. Hơn nữa, định dạng hỗ trợ độ trong suốt alpha khiến nó trở thành lựa chọn linh hoạt cho nhiều loại kết cấu khác nhau, bao gồm cả những kết cấu yêu cầu độ trong suốt tinh tế, chẳng hạn như khói, lửa và thủy tinh.
Mặc dù có những ưu điểm, DXT5 không phải là không có hạn chế. Đôi khi, lược đồ nén có thể tạo ra các hiện vật, đặc biệt là ở các vùng có chuyển đổi màu sắc sắc nét hoặc độ tương phản cao. Các hiện vật này biểu hiện dưới dạng dải hoặc khối, có thể làm giảm chất lượng hình ảnh của kết cấu. Hơn nữa, kích thước khối 4x4 cố định có nghĩa là các chi tiết nhỏ hơn tỷ lệ này có thể không được thể hiện chính xác, dẫn đến mất độ trung thực của kết cấu trong một số bối cảnh nhất định.
Sự phát triển của công nghệ nén kết cấu tiếp tục xây dựng dựa trên nền tảng do DXT5 và các phiên bản anh em của nó đặt ra. Các định dạng nén mới hơn, chẳng hạn như BC7 (Nén khối 7), cung cấp độ chính xác màu sắc được cải thiện, nén alpha chất lượng cao hơn và các mẫu tinh vi hơn để biểu diễn dữ liệu kết cấu, giải quyết một số hạn chế mà các định dạng trước đó gặp phải. Tuy nhiên, DXT5 vẫn được sử dụng rộng rãi, đặc biệt là trong các ứng dụng và hệ thống cũ, nơi sự cân bằng giữa hiệu quả nén và chất lượng của nó vẫn được đánh giá cao.
Trong quá trình phát triển các ứng dụng đồ họa, việc lựa chọn định dạng nén kết cấu là rất quan trọng, không chỉ ảnh hưởng đến chất lượng hình ảnh của ứng dụng mà còn ảnh hưởng đến hiệu suất và mức sử dụng tài nguyên của ứng dụng. DXT5 cung cấp một giải pháp hấp dẫn cho các ứng dụng yêu cầu kết cấu chất lượng cao với độ trong suốt alpha, hoạt động trong phạm vi hạn chế của các môi trường thời gian thực, tài nguyên hạn chế. Hiểu được sự phức tạp của DXT5, từ cơ chế nén đến triển khai thực tế, là điều cần thiết đối với các nhà phát triển muốn đưa ra quyết định sáng suốt về nén kết cấu trong các dự án của họ.
Tóm lại, định dạng hình ảnh DXT5 đại diện cho một bước tiến đáng kể trong lĩnh vực nén kết cấu. Thiết kế của nó, kết hợp chu đáo giữa nén màu sắc và alpha trong một khuôn khổ thống nhất, cho phép lưu trữ và truyền tải hiệu quả dữ liệu hình ảnh phức tạp. Mặc dù nó có thể không phải là định dạng nén kết cấu mới nhất hoặc tiên tiến nhất hiện nay, nhưng di sản và sự liên quan liên tục của nó trong cộng đồng đồ họa kỹ thuật số nhấn mạnh tầm quan trọng của nó. Đối với các nhà phát triển, nghệ sĩ và kỹ sư, việc thành thạo DXT5 và hiểu vị trí của nó trong bối cảnh rộng hơn của các công nghệ nén kết cấu là những bước quan trọng hướng tới việc tạo ra nội dung đồ họa đẹp mắt và tối ưu hóa hiệu suất.
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.