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 PostScript được đóng gói (EPSF hoặc EPS) là định dạng tệp đồ họa đóng vai trò quan trọng trong ngành in ấn và xuất bản kể từ khi ra đời vào cuối những năm 1980. Có nguồn gốc sâu xa từ ngôn ngữ mô tả trang PostScript do Adobe Systems phát triển, EPS về cơ bản là một chương trình PostScript được lưu dưới dạng một tệp duy nhất bao gồm hình ảnh xem trước độ phân giải thấp, đóng gói cả đồ họa vector, hình ảnh bitmap và văn bản theo định dạng có thể được đặt trong một tài liệu PostScript khác. Do đó, các tệp EPS được sử dụng rộng rãi để tích hợp đồ họa phức tạp vào nhiều tài liệu khác nhau, đảm bảo chất lượng in cao.
Về cốt lõi, định dạng EPS được thiết kế để hoàn toàn tự chứa, cung cấp một cách liền mạch để kết hợp đồ họa tinh vi vào một tài liệu lớn hơn mà không ảnh hưởng đến độ trung thực hoặc chi tiết. Chiến lược đóng gói này giúp định dạng này khác biệt với các định dạng đồ họa khác bằng cách không chỉ bao gồm nội dung đồ họa mà còn cả bản xem trước hình ảnh và hộp giới hạn để xác định kích thước vật lý của đồ họa. Việc đưa vào hình ảnh xem trước đặc biệt hữu ích cho các chương trình không thể trực tiếp diễn giải mã PostScript, cho phép các ứng dụng như vậy hiển thị bản xem trước nhanh về nội dung mà không cần xử lý toàn bộ tập lệnh.
Cấu trúc của tệp EPS có thể được chia thành một số thành phần chính. Đầu tiên là phần đầu, bao gồm các thông tin quan trọng như phiên bản định dạng EPS đang sử dụng và kích thước của hộp giới hạn, về cơ bản là thiết lập bối cảnh cho các hướng dẫn PostScript tiếp theo. Mã PostScript thực tế xác định đồ họa sẽ đến tiếp theo, có khả năng kết hợp các hướng dẫn vector, hình ảnh raster và định nghĩa phông chữ để thể hiện đồ họa theo ý định. Hình ảnh xem trước tùy chọn theo sau được mã hóa ở định dạng đồ họa đơn giản hơn, chẳng hạn như TIFF hoặc WMF, đóng vai trò là công cụ trực quan hóa cho các ứng dụng không có khả năng phân tích cú pháp PostScript.
Hiểu PostScript, ngôn ngữ nền tảng của EPS, là điều cần thiết để đánh giá cao khả năng của định dạng này. PostScript là một ngôn ngữ lập trình hoàn chỉnh Turing được tối ưu hóa cho thiết kế đồ họa. Nó hoạt động ở cấp độ cao hơn so với việc trực tiếp điều khiển các pixel trên màn hình hoặc các chấm trên bản in. Thay vào đó, nó mô tả hình ảnh thông qua các biểu thức toán học, xác định hình dạng, đường thẳng, đường cong và văn bản với độ chính xác có thể mở rộng. Phương pháp này cho phép tạo ra các đồ họa có thể thay đổi kích thước mà không làm giảm chất lượng, phân biệt nội dung EPS với các định dạng dựa trên raster bị giảm chất lượng khi thay đổi kích thước.
Một trong những lợi ích rõ ràng nhất của định dạng EPS là khả năng tương thích với quy trình in chuyên nghiệp. Do được xây dựng trên nền tảng PostScript, các tệp EPS có thể được máy in PostScript diễn giải trực tiếp, đảm bảo tái tạo chính xác đồ họa trên phương tiện in. Khả năng duy trì độ trung thực cao trên các thiết bị đầu ra khác nhau khiến EPS trở thành định dạng được ưa chuộng cho logo, hình minh họa và đồ họa phức tạp dành cho in ấn độ phân giải cao. Hơn nữa, các tệp EPS không phụ thuộc vào thiết bị, nghĩa là chúng có thể được tạo trên một hệ thống và in trên hệ thống khác mà không cần chuyển đổi hoặc định dạng lại.
Mặc dù có những ưu điểm, định dạng EPS vẫn phải đối mặt với những thách thức và hạn chế trong bối cảnh kỹ thuật số hiện đại. Khi thế giới ngày càng hướng tới nội dung trên web và thiết bị di động, sự phổ biến của các định dạng đồ họa vector như SVG, được tối ưu hóa cho màn hình kỹ thuật số và nội dung tương tác, đã tăng lên. SVG, hay Đồ họa vector có thể mở rộng, hỗ trợ tốt hơn cho các công nghệ web đương đại, chẳng hạn như hoạt ảnh CSS và tính tương tác, vốn là những tính năng mà EPS, là định dạng hướng đến in ấn, vốn không có. Ngoài ra, bản chất nhị phân của hình ảnh xem trước tùy chọn trong các tệp EPS có thể gây ra các vấn đề về khả năng tương thích với một số phần mềm thiết kế đồ họa hiện đại.
Một cân nhắc quan trọng khác liên quan đến định dạng EPS là tính bảo mật của nó. Vì tệp EPS có thể chứa mã PostScript tùy ý, nên về mặt lý thuyết, nó có thể bao gồm các tập lệnh độc hại. Khi các tệp như vậy được mở trong các ứng dụng dễ bị tấn công không có hộp cát hoặc hạn chế môi trường thực thi PostScript đúng cách, chúng có thể gây ra rủi ro bảo mật. Do đó, một số nhà phát triển phần mềm đã thực hiện các biện pháp hạn chế hoặc loại bỏ hoàn toàn hỗ trợ cho EPS, với lý do lo ngại về bảo mật. Để đối phó với những thách thức này, các thông lệ trong ngành đã phát triển theo hướng các định dạng đồ họa an toàn và linh hoạt hơn trong khi vẫn công nhận EPS vì khả năng in ấn chất lượng cao của nó.
Quá trình tạo và thao tác các tệp EPS thường liên quan đến phần mềm thiết kế đồ họa hoặc xuất bản trên máy tính để bàn có khả năng xuất mã PostScript. Các phần mềm như Adobe Illustrator và CorelDRAW cung cấp hỗ trợ mạnh mẽ để tạo các tệp EPS, cung cấp cho người dùng nhiều tùy chọn để tùy chỉnh đầu ra, bao gồm cả tùy chọn định dạng và độ phân giải hình ảnh xem trước. Hiểu cách tối ưu hóa các cài đặt này là rất quan trọng đối với các nhà thiết kế muốn tối đa hóa chất lượng in của tác phẩm đồng thời đảm bảo khả năng tương thích trên nhiều ứng dụng và thiết bị.
Trong nỗ lực duy trì tính phù hợp của định dạng EPS giữa công nghệ và tiêu chuẩn ngành không ngừng phát triển, đã có những sáng kiến để cập nhật và điều chỉnh khả năng của định dạng này. Điều này bao gồm việc tăng cường khả năng tương thích của định dạng với phần mềm thiết kế đồ họa hiện đại và đảm bảo rằng định dạng này đáp ứng các tiêu chuẩn bảo mật hiện hành. Các bản cập nhật này nhằm mục đích bảo tồn những lợi thế cốt lõi của định dạng, đặc biệt là độ chính xác và độ trung thực khi in, đồng thời giải quyết các nhu cầu của môi trường kỹ thuật số đang thay đổi. Như một phần của quá trình phát triển này, một số phần mở rộng cho mô hình PostScript chuẩn đã được xem xét, chẳng hạn như kết hợp siêu dữ liệu có thể làm phong phú thêm nội dung và ngữ cảnh của đồ họa EPS.
Hướng đến tương lai, vai trò của định dạng EPS trong thiết kế đồ họa và xuất bản có thể tiếp tục phát triển. Mặc dù việc sử dụng định dạng này có thể giảm dần để ủng hộ các định dạng vốn hỗ trợ các yêu cầu của phương tiện kỹ thuật số, EPS có khả năng vẫn có giá trị trong các bối cảnh chuyên nghiệp cụ thể, đặc biệt là những bối cảnh ưu tiên chất lượng đầu ra in và thể hiện đồ họa chính xác. Khả năng tích hợp liền mạch đồ họa phức tạp vào các tài liệu in mà không làm giảm chất lượng là một lợi thế độc đáo sẽ duy trì sự phù hợp của EPS trong các lĩnh vực như xuất bản sách, quảng cáo và thiết kế đồ họa cao cấp.
Tóm lại, định dạng tệp PostScript được đóng gói đã đóng vai trò quan trọng trong quá trình phát triển thiết kế đồ họa, đặc biệt là trong lĩnh vực xuất bản và in ấn. Thiết kế của định dạng này, được xây dựng trên nền tảng mạnh mẽ và linh hoạt của PostScript, cho phép tạo ra các biểu diễn đồ họa có thể mở rộng, chất lượng cao, rất cần thiết cho quy trình in chuyên nghiệp. Mặc dù phải đối mặt với những thách thức từ các định dạng mới hơn được tối ưu hóa cho web, EPS vẫn tiếp tục thích ứng, khẳng định vị trí của mình trong nhóm các định dạng đồ họa. Khi thế giới kỹ thuật số và in ấn tiếp tục giao thoa và phát triển, rõ ràng là việc hiểu EPS và các công nghệ nền tảng của nó sẽ vẫn là một tài sản có giá trị đối với các nhà thiết kế và người tạo nội dung.
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.