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 Extended Postscript Image (EPI) là một định dạng tệp chuyên dụng được thiết kế để biểu diễn hình ảnh trong môi trường mà in và hiển thị PostScript phổ biến. Đ ịnh dạng này là một dạng phái sinh của định dạng EPS (Encapsulated Postscript) phổ biến hơn, nhưng nó kết hợp các tính năng bổ sung nhằm nâng cao quản lý màu, nén và tính linh hoạt tổng thể. Việc sử dụng định dạng EPI đặc biệt quan trọng trong các ngành công nghiệp mà in ấn chất lượng cao và tái tạo màu chính xác là điều cần thiết, chẳng hạn như thiết kế đồ họa, xuất bản và nghệ thuật kỹ thuật số.
Về cơ bản, tệp EPI chứa mô tả về hình ảnh hoặc bản vẽ bằng ngôn ngữ PostScript, đây là ngôn ngữ lập trình được tối ưu hóa để in. PostScript là ngôn ngữ lập trình nối tiếp, được gõ động và được Adobe Systems tạo ra vào năm 1982. Nó độc đáo vì có thể mô tả, với độ chính xác cao, cả thông tin văn bản và đồ họa trong một tệp duy nhất. Trong bối cảnh của EPI, khả năng này được tận dụng để đóng gói các thiết kế đồ họa phức tạp, bao gồm văn bản sắc nét và hình minh họa chi tiết, theo định dạng có thể in đáng tin cậy trên các máy in tương thích với PostScript.
Một trong những tính năng chính phân biệt định dạng EPI với các định dạng tiền nhiệm là khả năng hỗ trợ quản lý màu được cải thiện. Quản lý màu là một khía cạnh quan trọng của xử lý hình ảnh kỹ thuật số, vì nó đảm bảo rằng màu sắc được thể hiện nhất quán trên các thiết bị khác nhau. Các tệp EPI kết hợp các cấu hình màu dựa trên các tiêu chuẩn của International Color Consortium (ICC), định nghĩa cách tái tạo màu trên các thiết bị khác nhau. Điều này có nghĩa là hình ảnh được lưu ở định dạng EPI có thể giữ nguyên độ chính xác màu theo ý định cho dù được xem trên màn hình máy tính, in trên giấy hay tái tạo trên bất kỳ phương tiện nào khác.
Nén là một lĩnh vực khác mà định dạng EPI vượt trội. Hình ảnh chất lượng cao thường có kích thước lớn, có thể là một hạn chế khi truyền tệp hoặc tiết kiệm dung lượng lưu trữ. EPI hỗ trợ một số thuật toán nén, bao gồm cả phương pháp mất dữ liệu và không mất dữ liệu. Nén mất dữ liệu, như JPEG, làm giảm kích thước tệp bằng cách giảm nhẹ chất lượng hình ảnh, có thể chấp nhận được đối với một số ứng dụng nhất định. Nén không mất dữ liệu, chẳng hạn như ZIP hoặc LZW được sử dụng trong các tệp TIFF, giữ nguyên chất lượng hình ảnh ban đầu nhưng có thể không giảm đáng kể kích thước tệp. Có thể tùy chỉnh tùy chọn nén dựa trên nhu cầu cụ thể của người dùng, cân bằng giữa chất lượng hình ảnh và kích thước tệp.
Ngoài ra, định dạng EPI được thiết kế để nâng cao khả năng mở rộng và độ phân giải độc lập. Hình ảnh được lưu trữ ở định dạng này có thể được thu nhỏ hoặc phóng to mà không làm mất chi tiết, điều này đặc biệt hữu ích cho các ứng dụng in ấn có thể yêu cầu các kích thước khác nhau. Điều này đạt được thông qua việc sử dụng đồ họa vector cho hình minh họa và văn bản, cùng với hình ảnh bitmap cho nội dung ảnh. Đồ họa vector dựa trên các phương trình toán học để vẽ hình dạng và đường nét, cho phép chúng được thay đổi kích thước vô hạn mà không bị vỡ pixel. Tính năng này khiến EPI trở thành lựa chọn lý tưởng để tạo logo, biểu ngữ và các tài liệu tiếp thị khác cần được tái tạo ở nhiều kích thước khác nhau.
EPI cũng có các khả năng nhúng nâng cao cho phép nó chứa một tập hợp con hoàn chỉnh của ngôn ngữ PostScript. Điều này cho phép đưa các hàm, biến và cấu trúc điều khiển vào tệp EPI, cung cấp một công cụ mạnh mẽ để tạo hình ảnh động và tương tác. Ví dụ: tệp EPI có thể bao gồm mã điều chỉnh màu sắc của hình ảnh dựa trên thiết bị đầu ra, cho dù đó là máy in có độ phân giải cao hay màn hình máy tính tiêu chuẩn. Tính linh hoạt này mở ra những khả năng mới cho việc xuất bản đa phương tiện và đảm bảo rằng hình ảnh có thể thích ứng với các bối cảnh khác nhau mà không cần điều chỉnh thủ công.
Việc chuẩn hóa định dạng EPI đóng một vai trò quan trọng trong việc áp dụng và khả năng tương tác của nó. Bằng cách tuân thủ các quy ước PostScript đã được thiết lập tốt và kết hợp các tính năng hiện đại như cấu hình màu ICC và nhiều phương pháp nén khác nhau, các tệp EPI có thể được tích hợp liền mạch vào các quy trình làm việc hiện có. Ngoài ra, việc hỗ trợ PostScript rộng rãi trên các hệ điều hành và ứng dụng phần mềm khác nhau đảm bảo rằng các tệp EPI có thể truy cập và sử dụng được bởi nhiều đối tượng. Khả năng tương thích này xóa bỏ rào cản hợp tác và cho phép trao đổi hiệu quả các hình ảnh chất lượng cao giữa các nhà thiết kế, máy in và nhà xuất bản.
Việc tạo và thao tác các tệp EPI yêu cầu phần mềm chuyên dụng hiểu ngôn ngữ PostScript và hỗ trợ các tính năng cụ thể của định dạng EPI. Adobe Illustrator và Photoshop là những ví dụ về phần mềm như vậy, cung cấp các công cụ mở rộng để thiết kế và xuất hình ảnh ở định dạng EPI. Các ứng dụng này không chỉ cung cấp một bộ tính năng vẽ và chỉnh sửa phong phú mà còn bao gồm các tính năng quản lý màu, cho phép các nhà thiết kế làm việc với các thông số màu chính xác và xem trước hình ảnh của họ sẽ trông như thế nào trên các thiết bị đầu ra khác nhau.
Về cấu trúc tệp, tệp EPI bao gồm một phần đầu, một phần thân và một phần cuối. Phần đầu bao gồm siêu dữ liệu về tệp, chẳng hạn như người tạo, ngày tạo và hộp giới hạn xác định kích thước vật lý của hình ảnh. Phần thân chứa mã PostScript thực tế mô tả hình ảnh và có thể bao gồm các cấu hình ICC được nhúng, định nghĩa phông chữ và các tài nguyên khác cần thiết để hiển thị hình ảnh. Phần cuối đánh dấu phần cuối của tệp và có thể bao gồm thông tin bổ sung như hình thu nhỏ hoặc hình ảnh xem trước. Cách tiếp cận có cấu trúc này đảm bảo rằng các tệp EPI vừa linh hoạt vừa tự chứa, giúp dễ dàng quản lý và trao đổi.
Mặc dù có nhiều ưu điểm, định dạng EPI không phải là không có thách thức. Sự phức tạp của ngôn ngữ PostScript có thể khiến việc tạo và chỉnh sửa các tệp EPI trở nên khá khó khăn đối với những người không quen với lập trình. Hơn nữa, vì các tệp EPI có thể chứa mã thực thi, nên chúng phải được xử lý cẩn thận để tránh các lỗ hổng bảo mật. Điều này đòi hỏi phải sử dụng phần mềm đáng tin cậy và xử lý thận trọng các tệp từ các nguồn không xác định.
Tóm lại, định dạng Extended Postscript Image (EPI) đại diện cho một công cụ mạnh mẽ và linh hoạt để xử lý hình ảnh kỹ thuật số, đặc biệt là trong các lĩnh vực đòi hỏi in ấn chất lượng cao và tái tạo màu chính xác. Việc hỗ trợ quản lý màu nâng cao, nén, khả năng mở rộng và khả năng nhúng khiến nó trở thành lựa chọn lý tưởng cho các chuyên gia trong thiết kế đồ họa, xuất bản và các ngành liên quan. Mặc dù yêu cầu phần mềm và kiến thức chuyên dụng để khai thác hết tiềm năng của nó, nhưng những lợi ích của việc sử dụng định dạng EPI về tính linh hoạt, chất lượng và hiệu quả là rất lớn. Khi công nghệ in ấn và hình ảnh kỹ thuật số tiếp tục phát triển, định dạng EPI vẫn là minh chứng cho giá trị lâu dài của việc kết hợp độ chính xác kỹ thuật với tính linh hoạt sáng tạo.
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.