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.
FILE ảnh định dạng, một công nghệ tiên tiến trong hình ảnh kỹ thuật số, đại diện cho một bước tiến đáng kể về cách hình ảnh kỹ thuật số được lưu trữ, thao tác và chia sẻ. Mặc dù tên của nó đơn giản, định dạng FILE giới thiệu các cấu trúc và phương pháp phức tạp và sáng tạo giải quyết nhiều hạn chế được tìm thấy trong các định dạng cũ hơn. Trình giải thích toàn diện này sẽ đi sâu vào các thông số kỹ thuật, lợi ích và các ứng dụng tiềm năng của định dạng FILE, cung cấp thông tin chi tiết về vai trò của nó trong việc cách mạng hóa lĩnh vực hình ảnh kỹ thuật số.
Ở cốt lõi của nó, định dạng hình ảnh FILE được thiết kế để cung cấp mức độ nén và bảo toàn chất lượng vô song. Điều này đạt được thông qua một thuật toán tinh vi cân bằng các kỹ thuật nén có mất mát và không mất mát. Không giống như các định dạng truyền thống chỉ dựa vào một loại nén này hoặc loại nén kia, định dạng FILE điều chỉnh động chiến lược nén của nó dựa trên nội dung của hình ảnh. Điều này đảm bảo rằng các khu vực chi tiết nhận được nén tối thiểu để bảo toàn chất lượng, trong khi các khu vực ít quan trọng hơn được nén mạnh hơn để giảm kích thước tệp.
Một đặc điểm nổi bật khác của định dạng FILE là hỗ trợ gam màu rộng và hình ảnh dải động cao (HDR). Với sự ra đời của màn hình HDR và nhu cầu ngày càng tăng đối với nội dung kỹ thuật số sống động và chân thực hơn, khả năng xử lý nhiều màu sắc và mức độ sáng hơn so với các phiên bản tiền nhiệm của định dạng FILE cho phép nó nổi bật. Nó đạt được điều này bằng cách kết hợp các mô hình màu nâng cao và các cấu trúc siêu dữ liệu đại diện chính xác cho một phổ rộng các màu sắc và mức độ sáng, đảm bảo rằng hình ảnh được hiển thị với độ rõ nét và chiều sâu đặc biệt.
Định dạng FILE cũng giới thiệu một cách tiếp cận sáng tạo để xử lý siêu dữ liệu. Không giống như các định dạng hình ảnh truyền thống, thường có khả năng siêu dữ liệu hạn chế và cứng nhắc, định dạng FILE cung cấp một khuôn khổ linh hoạt và có thể mở rộng để lưu trữ nhiều loại thông tin. Điều này bao gồm dữ liệu tiêu chuẩn như ngày, giờ và cài đặt máy ảnh, cũng như thông tin phức tạp hơn như thông báo bản quyền, lịch sử chỉnh sửa và gắn thẻ nội dung. Tính linh hoạt này làm cho định dạng FILE cực kỳ hữu ích cho các nhiếp ảnh gia chuyên nghiệp, nghệ sĩ kỹ thuật số và các hệ thống lưu trữ nơi siêu dữ liệu chi tiết là rất quan trọng.
Về mặt kỹ thuật, cấu trúc bên trong của một hình ảnh định dạng FILE bao gồm một số thành phần chính, bao gồm phần tiêu đề, phần dữ liệu và phần siêu dữ liệu. Phần tiêu đề chứa thông tin quan trọng về hình ảnh, chẳng hạn như kích thước, cấu hình màu và loại nén của nó. Tiếp theo tiêu đề là phần dữ liệu, chứa các pixel hình ảnh thực tế. Phần này sử dụng thuật toán nén độc đáo của định dạng để lưu trữ dữ liệu hình ảnh một cách hiệu quả. Cuối cùng, phần siêu dữ liệu nằm ở cuối tệp, cung cấp một kho lưu trữ toàn diện cho tất cả siêu dữ liệu liên quan.
Một tính năng đặc biệt của định dạng FILE là việc triển khai cấu trúc nhiều lớp, cho phép hình ảnh được tạo thành từ nhiều lớp độc lập. Điều này đặc biệt có lợi trong các ứng dụng thiết kế đồ họa và chỉnh sửa ảnh, nơi người dùng có thể muốn thao tác các phần cụ thể của hình ảnh mà không ảnh hưởng đến toàn bộ. Mỗi lớp có thể chứa dữ liệu hình ảnh riêng, thông tin độ trong suốt và siêu dữ liệu bổ sung cụ thể cho từng lớp. Khả năng nhiều lớp này cho phép tạo các thành phần phức tạp và quy trình làm việc chỉnh sửa trước đây khó hoặc không thể đạt được với các định dạng hình ảnh một lớp.
Bảo mật và quyền riêng tư là tối quan trọng trong thời đại kỹ thuật số và định dạng FILE giải quyết những mối quan tâm này thông qua các tính năng bảo mật và quyền riêng tư mạnh mẽ. Các tệp hình ảnh có thể được mã hóa bằng các thuật toán tiêu chuẩn của ngành, đảm bảo rằng thông tin nhạy cảm vẫn được bảo vệ. Hơn nữa, định dạng này hỗ trợ các trường siêu dữ liệu an toàn có thể được sử dụng để lưu trữ thông tin riêng tư, chỉ những người dùng có khóa giải mã chính xác mới có thể truy cập được. Các tính năng này làm cho định dạng FILE trở thành một lựa chọn hấp dẫn cho các ngành xử lý dữ liệu hình ảnh nhạy cảm, chẳng hạn như chăm sóc sức khỏe và thực thi pháp luật.
Hiệu quả và tốc độ là các yếu tố quan trọng trong khả năng sử dụng của một định dạng hình ảnh, đặc biệt là trong các môi trường xử lý hoặc truyền tải khối lượng lớn hình ảnh. Thuật toán nén của định dạng FILE không chỉ làm giảm đáng kể kích thước tệp mà còn được tối ưu hóa để mã hóa và giải mã nhanh chóng. Điều này đảm bảo rằng các hoạt động tải và lưu hình ảnh có thể được thực hiện nhanh chóng, ngay cả trên các thiết bị có tài nguyên tính toán hạn chế. Ngoài ra, định dạng này được thiết kế để hỗ trợ xử lý song song, làm cho nó phù hợp để sử dụng với các bộ xử lý đa lõi hiện đại và nền tảng điện toán đám mây.
Tính linh hoạt của định dạng FILE mở rộng đến khả năng tương thích và khả năng tương tác của nó với các công nghệ và tiêu chuẩn hình ảnh hiện có. Nó được thiết kế để tương thích ngược với các định dạng được sử dụng rộng rãi, chẳng hạn như JPEG và PNG, cho phép người dùng chuyển đổi các thư viện hình ảnh hiện có sang định dạng FILE mà không làm mất khả năng tương thích với phần mềm và dịch vụ hiện tại. Hơn nữa, định dạng này bao gồm hỗ trợ cho các cấu hình màu phổ biến, chẳng hạn như sRGB và Adobe RGB, đảm bảo rằng hình ảnh trông nhất quán trên các thiết bị và nền tảng khác nhau.
Một ứng dụng thú vị của định dạng FILE là trong lĩnh vực thực tế tăng cường và thực tế ảo (AR/VR). Định dạng này hỗ trợ hình ảnh độ phân giải cao, HDR và 3D khiến nó trở thành ứng cử viên lý tưởng để tạo ra các môi trường nhập vai. Khả năng lưu trữ nhiều lớp và góc nhìn trong một tệp duy nhất giúp đơn giản hóa việc tạo các cảnh phức tạp. Ngoài ra, thuật toán nén hiệu quả đảm bảo rằng những hình ảnh chi tiết này có thể được truyền phát hoặc tải xuống với độ trễ tối thiểu, nâng cao trải nghiệm của người dùng trong các ứng dụng AR/VR thời gian thực.
Trong lĩnh vực trí tuệ nhân tạo và học máy, định dạng FILE mở ra những khả năng mới để đào tạo và suy luận. Các khả năng siêu dữ liệu chi tiết cho phép nhúng chú thích và nhãn trực tiếp vào tệp hình ảnh, tạo điều kiện thuận lợi cho việc tổ chức và truy xuất các tập dữ liệu. Hơn nữa, đ ịnh dạng này hỗ trợ dữ liệu đa phương thức chất lượng cao, chẳng hạn như hình ảnh kết hợp với thông tin văn bản hoặc cảm giác, có thể tăng cường tính mạnh mẽ của các mô hình AI. Bằng cách cung cấp dữ liệu ngữ cảnh phong phú trong một tệp duy nhất, định dạng FILE có thể cải thiện đáng kể hiệu quả và độ chính xác của phân tích do AI điều khiển.
Nhìn về tương lai, sự phát triển và áp dụng định dạng hình ảnh FILE báo hiệu một sự thay đổi quan trọng trong bối cảnh hình ảnh kỹ thuật số. Sự kết hợp giữa chất lượng, hiệu quả và tính linh hoạt của nó đáp ứng nhu cầu ngày càng phát triển của cả người dùng chuyên nghiệp và người dùng bình thường. Khi công nghệ phát triển, chúng ta có thể dự đoán việc áp dụng rộng rãi hơn trên nhiều ngành, từ phương tiện truyền thông và giải trí đến nghiên cứu khoa học. Hơn nữa, tiềm năng của nó như một công nghệ nền tảng cho các ứng dụng mới nổi trong AR/VR, AI và hơn thế nữa cho thấy rằng định dạng FILE sẽ đóng một vai trò quan trọng trong việc định hình tương lai của việc tạo và tiêu thụ nội dung kỹ thuật số.
Tóm lại, định dạng hình ảnh FILE là một kỳ quan của công nghệ hình ảnh kỹ thuật số hiện đại. Các chiến lược nén sáng tạo của nó, hỗ trợ không gian màu nâng cao và HDR, siêu dữ liệu linh hoạt và các tính năng bảo mật đánh dấu một bước tiến đáng kể so với các định dạng hình ảnh truyền thống. Với khả năng thích ứng với các nhu cầu đa dạng của người dùng trên nhiều lĩnh vực khác nhau, định dạng FILE không chỉ đại diện cho một cách mới để lưu trữ hình ảnh mà còn là một mô hình mới về cách chúng ta tương tác và tận dụng hình ảnh kỹ thuật số trong thế giới kết nối của mình. Khi việc áp dụng ngày càng tăng và công nghệ tiếp tục phát triển, định dạng FILE được định sẵn để trở thành một công cụ không thể thiếu trong kho vũ khí của các chuyên gia và người đam mê hình ảnh kỹ thuật số.
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.