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.
EPT3 định dạng hình ảnh đại diện cho một bước tiến đáng kể trong công nghệ hình ảnh kỹ thuật số, thu hẹp khoảng cách giữa hiệu quả lưu trữ và tái tạo hình ảnh chất l ượng cao. Định dạng sáng tạo này được thiết kế để phục vụ cho một loạt các ứng dụng, từ thiết kế web và nghệ thuật kỹ thuật số đến nhiếp ảnh chuyên nghiệp và lưu trữ. Hiểu được các sắc thái kỹ thuật của EPT3 cung cấp cái nhìn toàn diện về khả năng, hạn chế và các cân nhắc về kỹ thuật đằng sau việc tạo ra nó.
Về cốt lõi, định dạng EPT3 được xây dựng trên một thuật toán nén tinh vi sử dụng cả kỹ thuật có mất mát và không mất mát. Phương pháp kết hợp này cho phép EPT3 đạt được tỷ lệ nén đáng kể mà không ảnh hưởng đáng kể đến chất lượng hình ảnh. Định dạng này sử dụng một phương pháp phân tích nội dung hình ảnh độc đáo để xác định chiến lược nén tối ưu cho các phân đoạn khác nhau của hình ảnh. Các vùng có độ chi tiết cao và sự đa dạng về màu sắc có thể được xử lý khác với các phần đồng nhất hơn, đảm bảo rằng hình ảnh nén cuối cùng bảo toàn các chi tiết quan trọng đồng thời giảm thiểu kích thước tệp.
Một trong những tính năng nổi bật của định dạng EPT3 là hỗ trợ bảng màu mở rộng, cho phép mã hóa hình ảnh với hàng tỷ màu. Gam màu rộng này đặc biệt có lợi cho các ứng dụng yêu cầu tái tạo hình ảnh có độ trung thực cao, chẳng hạn như nghệ thuật kỹ thuật số và nhiếp ảnh chuyên nghiệp. Định dạng EPT3 đạt được điều này bằng cách triển khai các kỹ thuật lập hồ sơ màu nâng cao cùng với cài đặt độ sâu màu linh hoạt, có thể được điều chỉnh theo các nhu cầu cụ thể của dự án đang thực hiện.
EPT3 cũng giới thiệu một hệ thống lớp sáng tạo, phân tách hình ảnh thành các lớp riêng biệt d ựa trên sự tương đồng và tầm quan trọng của nội dung. Lớp này không chỉ góp phần vào hiệu quả của thuật toán nén mà còn mở ra những khả năng mới trong việc chỉnh sửa và thao tác hình ảnh. Người chỉnh sửa có thể chọn lọc sửa đổi, xóa hoặc thêm các lớp mà không ảnh hưởng đến các cấu trúc bên dưới. Tính năng này cải thiện đáng kể quy trình làm việc cho các nghệ sĩ kỹ thuật số và nhà thiết kế đồ họa, cho phép các quy trình sáng tạo linh hoạt và năng động hơn.
Định dạng này tự hào có hỗ trợ siêu dữ liệu nâng cao, cung cấp một khuôn khổ toàn diện để lưu trữ thông tin về hình ảnh, chẳng hạn như bản quyền, cài đặt máy ảnh, gắn thẻ địa lý và thậm chí là một lịch sử tóm tắt về quá trình chỉnh sửa. Khả năng siêu dữ liệu phong phú này làm cho EPT3 đặc biệt phù hợp cho mục đích lưu trữ, trong đó việc giữ lại ngữ cảnh và lịch sử của hình ảnh cũng quan trọng như chính hình ảnh. Ngoài ra, việc đưa vào siêu dữ liệu chi tiết như vậy hỗ trợ các cơ chế lập chỉ mục và tìm kiếm tốt hơn trong các cơ sở dữ liệu lớn.
Khả năng tương tác và tương thích là trọng tâm trong triết lý thiết kế của định dạng EPT3. Các nhà phát triển đã đảm bảo rằng hình ảnh EPT3 có thể dễ dàng tích hợp vào nhiều hệ sinh thái phần mềm và phần cứng hiện có mà không cần phải đại tu lớn. Điều này đã đạt được thông qua việc phát triển các codec và plugin EPT3 nhẹ nhưng mạnh mẽ cho phần mềm chỉnh sửa và xem hình ảnh phổ biến. Hơn nữa, định dạng này là tiêu chuẩn mở, khuyến khích áp dụng rộng rãi và cải tiến liên tục thông qua các đóng góp của cộng đ ồng.
Về mặt kỹ thuật, EPT3 sử dụng một lược đồ mã hóa mô-đun, là nền tảng cho tính linh hoạt và khả năng thích ứng của nó. Định dạng này được thiết kế để phát triển theo thời gian, với khả năng kết hợp các kỹ thuật nén, mô hình màu và tính năng mới mà không làm mất khả năng tương thích với các phiên bản cũ hơn. Khả năng tương thích hướng tới tương lai này rất quan trọng để đảm bảo rằng nội dung kỹ thuật số vẫn có thể truy cập và giữ được độ trung thực theo thời gian, một cân nhắc thiết yếu trong lĩnh vực truyền thông kỹ thuật số đang phát triển nhanh chóng.
Mặc dù có nhiều ưu điểm, định dạng EPT3 cũng không phải không có thách thức. Độ phức tạp của thuật toán nén và hệ thống lớp của nó đòi hỏi sức mạnh xử lý đáng kể cho các hoạt động mã hóa và giải mã. Điều này có thể dẫn đến thời gian tải lâu hơn và tăng mức tiêu thụ năng lượng, đặc biệt là trên các thiết bị cũ hoặc ít mạnh hơn. Các nhà phát triển và người dùng phải cân nhắc những cân nhắc này so với lợi ích của việc giảm yêu cầu lưu trữ và nâng cao chất lượng hình ảnh.
Bảo mật và quyền riêng tư cũng là những cân nhắc chính trong thiết kế định dạng EPT3. Với sự phổ biến ngày càng tăng của hình ảnh kỹ thuật số trong các lĩnh vực cá nhân và chuyên nghiệp, khả năng thông tin nhạy cảm được mã hóa thành hình ảnh cao hơn bao giờ hết. EPT3 giải quyết những mối quan tâm này bằng cách kết hợp các cài đặt mã hóa và quyền riêng tư mạnh mẽ trực tiếp vào tệp hình ảnh, cho phép người tạo nội dung kiểm soát quyền truy cập vào tác phẩm của họ và siêu dữ li ệu được nhúng. Mức độ bảo mật này đảm bảo rằng hình ảnh EPT3 có thể được sử dụng an toàn trên nhiều nền tảng, bao gồm cả những nền tảng có yêu cầu bảo mật nghiêm ngặt.
Tính bền vững của môi trường là một lĩnh vực khác mà định dạng EPT3 tỏa sáng. Bằng cách giảm đáng kể kích thước tệp mà không ảnh hưởng đến chất lượng hình ảnh, nó góp phần giảm nhu cầu lưu trữ và truyền dữ liệu. Việc giảm dấu chân kỹ thuật số này có tác động trực tiếp đến mức tiêu thụ năng lượng và lượng khí thải carbon liên quan đến các giải pháp lưu trữ kỹ thuật số và trung tâm dữ liệu. Do đó, thuật toán nén hiệu quả của EPT3 đại diện cho một bước tiến quan trọng hướng tới các hoạt động truyền thông kỹ thuật số bền vững hơn.
Nhìn vào tương lai, định dạng EPT3 được định hướng để đổi mới và phát triển hơn nữa. Các nỗ lực nghiên cứu và phát triển đang diễn ra tập trung vào việc nâng cao hiệu quả của thuật toán nén, khám phá những khả năng mới trong trí tuệ nhân tạo và học máy để tăng cường hình ảnh tự động và cải thiện khả năng tương tác của định dạng với các công nghệ mới nổi. Cộng đồng hình ảnh kỹ thuật số toàn cầu đóng một vai trò quan trọng trong quá trình này, đóng góp ý tưởng, phản hồi và mã để đảm bảo rằng EPT3 vẫn đi đầu trong công nghệ hình ảnh.
Tóm lại, định dạng hình ảnh EPT3 là một bước phát triển đột phá trong lĩnh vực hình ảnh kỹ thuật số, mang đến sự kết hợp vô song giữa hiệu quả, chất lượng và tính linh hoạt. Thuật toán nén sáng tạo của nó, hỗ trợ tái tạo màu sắc trung thực cao, hệ thống lớp nâng cao và khả năng siêu dữ liệu phong phú khiến nó trở thành lựa chọn vượt trội cho nhiều ứng dụng. Mặc dù nó đặt ra một số thách thức về mặt yêu cầu xử lý và khả năng tương thích của thiết bị, nhưng những lợi ích mà nó mang lại cho hình ảnh kỹ thuật số và lưu trữ là không thể phủ nhận. Khi tiếp tục phát triển thông qua các cải tiến do cộng đồng thúc đẩy, EPT3 được thiết lập để xác định lại các tiêu chuẩn về hình ảnh kỹ thuật số trong nhiều năm tới.
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.