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 tệp Encapsulated PostScript (EPS) là một di sản quan trọng trong lĩnh vực thiết kế đồ họa, xuất bản và nghệ thuật kỹ thuật số. Được Adobe Systems phát triển vào cuối những năm 1980, EPS đã nổi lên như một định dạng đa năng, đa nền tảng được thiết kế để trao đổi nội dung đồ họa. Nó cho phép người dùng kết hợp hình ảnh đồ họa chất lượng cao và văn bản trong một tệp duy nhất, khiến nó trở thành lựa chọn ưu tiên cho nhiều ứng dụng khác nhau, bao gồm các công việc in ấn phức tạp và các tác vụ hình ảnh có độ phân giải cao. Về bản chất, EPS chủ yếu là một chương trình PostScript, được lưu dưới dạng tệp, hướng dẫn máy in và các thiết bị hình ảnh khác cách hiển thị các yếu tố trực quan mà nó chứa.
Một trong những đặc điểm xác định của định dạng EPS là khả năng tương thích của nó với một sáng tạo khác của Adobe, Adobe Illustrator, cùng với các trình chỉnh sửa đồ họa vector khác. Mối quan hệ này nhấn mạnh trọng tâm của định dạng vào độ chính xác và khả năng mở rộng. Không giống như hình ảnh raster mất độ rõ nét khi được thu phóng, các tệp EPS vẫn giữ được chất lượng cao bất kể tỷ lệ thu phóng nào, nhờ vào cơ sở của chúng trong các phương trình toán học chứ không phải mảng pixel. Bản chất vector này cho phép thay đổi kích thước liền mạch, khiến EPS trở thành định dạng lý tưởng cho logo, hình minh họa và bất kỳ đồ họa nào yêu cầu thay đổi kích thước thường xuyên mà không bị suy giảm.
Các tệp EPS không chỉ đóng gói đồ họa vector mà còn cả hình ảnh raster, cho phép sử dụng nhiều trường hợp. Khả năng kép này làm cho EPS trở nên linh hoạt một cách độc đáo, hỗ trợ các thành phần phức tạp bao gồm cả các đường vector sắc nét và hình ảnh nhiếp ảnh chi tiết. Ngoài ra, tệp EPS thường bao gồm hình ảnh xem trước có độ phân giải thấp, thường ở định dạng TIFF hoặc WMF. Bản xem trước này giúp xem nhanh trên màn hình mà không cần xử lý toàn bộ mã PostScript, vốn có thể tốn nhiều tài nguyên, đặc biệt là đối với các hệ thống máy tính cũ hoặc ít mạnh mẽ hơn.
Hiểu được cấu trúc kỹ thuật của tệp EPS cho thấy khả năng thích ứng và sự tinh vi của nó. Về cơ bản nhất, một tệp EPS bao gồm ba phần chính: phần đầu, phần PostScript và đôi khi là phần xem trước. Phần đầu là một đoạn ngắn ở đầu tệp, chứa thông tin quan trọng để xác định và xử lý loại tệp. Nó bao gồm thẻ '%!PS-Adobe', cho biết tệp ở ngôn ngữ PostScript, theo sau là thông tin phiên bản và các bình luận chi tiết về hộp giới hạn (khu vực hình chữ nhật bao quanh toàn bộ nội dung đồ họa), rất quan trọng để căn chỉnh và thu phóng chính xác trong các ứng dụng khác nhau.
Trái tim của tệp EPS là phần PostScript của nó, một ngôn ngữ kịch bản mạnh mẽ do Adobe phát triển để xuất bản điện tử và trên máy tính để bàn. Mã PostScript xác định mọi thứ, từ các hình dạng cơ bản đến đồ họa và bố cục phức tạp. Nó hỗ trợ nhiều hoạt động đồ họa, bao gồm nghệ thuật đường nét, hiển thị văn bản, thông số kỹ thuật màu sắc và đổ bóng, trong số những hoạt động khác. Với bản chất kịch bản của mình, PostScript rất linh hoạt, cho phép tạo đồ họa động thông qua logic có thể lập trình. Khía cạnh này của các tệp EPS cho phép tự động hóa các quy trình đồ họa khác nhau, một tính năng đặc biệt có giá trị trong các môi trường xuất bản quy mô lớn.
Hình ảnh xem trước tùy chọn trong tệp EPS phục vụ một mục đích thực dụng, đặc biệt là trong các môi trường mà không thể xử lý PostScript trực tiếp. Không cần đến công cụ PostScript đầy đủ, bản xem trước này cho phép các ứng dụng phần mềm hiển thị một bản biểu diễn nhanh chóng và bẩn của nội dung EPS, do đó cải thiện khả năng truy cập và khả năng sử dụng của tệp trên các nền tảng và phần mềm khác nhau. Tuy nhiên, hình ảnh xem trước này có những hạn chế về chất lượng và độ phân giải, chỉ đóng vai trò là tài liệu tham khảo trực quan chứ không phải là thay thế cho hình ảnh chất lượng đầy đủ.
Ngoài các phẩm chất vốn có của nó, khả năng tương thích của các tệp EPS với các phần mềm khác là một yếu tố chính trong việc sử dụng rộng rãi của chúng. Hầu hết các phần mềm thiết kế đồ họa và xuất bản chuyên nghiệp đều hỗ trợ định dạng EPS, dưới dạng gốc hoặc thông qua các plugin. Sự chấp nhận rộng rãi này đảm bảo rằng các tệp có thể dễ dàng được chia sẻ và xử lý trên nhiều nền tảng và ứng dụng khác nhau, nâng cao quy trình làm việc cộng tác và duy trì tính toàn vẹn của các dự án đồ họa. Hơn nữa, khả năng đóng gói cả văn bản và đồ họa trong một tệp duy nhất của định dạng EPS giúp đơn giản hóa việc quản lý các tài liệu phức tạp, hợp lý hóa quy trình thiết kế đến in.
Mặc dù có nhiều ưu điểm, định dạng EPS vẫn phải đối mặt với những thách thức và hạn chế trong bối cảnh kỹ thuật số đương đại. Sự gia tăng của các định dạng vector thay thế, chẳng hạn như SVG (Đồ họa vector có thể mở rộng) và sự phổ biến ngày càng tăng của đồ họa dựa trên web đã làm giảm phần nào sự thống trị của EPS. SVG, nói riêng, mang lại lợi thế trong môi trường web do cấu trúc dựa trên XML, khả năng tương thích với các trình duyệt web hiện đại và hỗ trợ nội dung tương tác và động. Hơn nữa, kích thước tệp tương đối lớn và sự cần thiết của trình thông dịch PostScript có thể khiến EPS trở nên ít phù hợp hơn với một số ứng dụng nhất định, đặc biệt là những ứng dụng liên quan đến đồ họa web hoặc môi trường di động nơi tài nguyên bị hạn chế hơn.
Các cân nhắc về bảo mật cũng được đưa vào các tệp EPS, vì chúng có khả năng chứa mã PostScript có thể thực thi. Mã độc hại có khả năng được nhúng vào tệp EPS, gây rủi ro cho người dùng không nghi ngờ. Do đó, cần thận trọng khi mở các tệp EPS từ các nguồn không đáng tin cậy và phần mềm thiết kế đồ họa hiện đại có thể áp dụng các hạn chế hoặc cảnh báo khi xử lý các tệp như vậy. Mối quan tâm về bảo mật này nhấn mạnh tầm quan trọng của việc duy trì phần mềm cập nhật và tuân thủ các biện pháp bảo mật tốt nhất trong bảo mật kỹ thuật số, đặc biệt là đối với các chuyên gia làm việc với các tài liệu đồ họa phức tạp.
Quá trình tạo và chỉnh sửa các tệp EPS thường liên quan đến phần mềm thiết kế đồ họa chuyên dụng, chẳng hạn như Adobe Illustrator, CorelDRAW hoặc các công cụ chỉnh sửa đồ họa vector khác. Các ứng dụng này cung cấp chức năng cần thiết để xây dựng đồ họa vector phức tạp, tích hợp chúng với hình ảnh raster nếu cần và xuất hợp thành ở định dạng EPS. Tính linh hoạt trong chỉnh sửa trong các gói phần mềm này cho phép các nhà thiết kế điều chỉnh từng yếu tố, điều chỉnh màu sắc và tinh chỉnh hình dạng, đảm bảo rằng đầu ra cuối cùng đáp ứng các thông số kỹ thuật chính xác. Sau khi hoàn tất, tệp EPS có thể được sử dụng trực tiếp trong nhiều ngữ cảnh xuất bản khác nhau hoặc được chuyển đổi sang các định dạng khác, tùy thuộc vào nhu cầu của dự án.
Việc chuyển đổi giữa EPS và các định dạng khác là một thông lệ phổ biến trong ngành thiết kế đồ họa, được hỗ trợ bởi nhiều công cụ và tiện ích. Việc chuyển đổi tệp EPS sang định dạng được hỗ trợ rộng rãi hơn như PDF, PNG hoặc JPEG có thể là cần thiết để tương thích với nhiều ứng dụng hơn hoặc để xem và phân phối dễ dàng hơn. Tương tự, việc chuyển đổi các định dạng khác sang EPS rất hữu ích để kết hợp các yếu tố đồ họa bên ngoài vào các dự án yêu cầu các tính năng nâng cao của định dạng EPS, chẳng hạn như khả năng mở rộng cao và hỗ trợ các thành phần phức tạp. Các quy trình chuyển đổi này, mặc dù nhìn chung khá đơn giản, phải được xử lý cẩn thận để bảo toàn chất lượng và tính toàn vẹn của đồ họa gốc.
Hướng tới tương lai, vai trò của các tệp EPS trong thiết kế đồ họa và xuất bản có khả năng sẽ phát triển. Mặc dù các định dạng và công nghệ mới hơn có thể làm lu mờ EPS trong một số ngữ cảnh nhất định, nhưng thế mạnh của nó trong sản xuất in ấn chất lượng cao và các thành phần đồ họa phức tạp vẫn khiến nó trở nên phù hợp. Những tiến bộ trong công nghệ có thể dẫn đến hiệu quả xử lý được cải thiện, các biện pháp bảo mật tốt hơn và khả năng tương thích được nâng cao với các nền tảng hiện đại, có khả năng hồi sinh định dạng EPS cho các ứng dụng mới. Hơn nữa, sự đánh giá cao lâu dài về chất lượng và độ chính xác trong công việc đồ họa chuyên nghiệp đảm bảo một vị trí liên tục cho EPS và các định dạng tương tự trong bối cảnh nghệ thuật kỹ thuật số.
Tóm lại, định dạng Encapsulated PostScript đại diện cho một chương quan trọng trong lịch sử đồ họa kỹ thuật
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.