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 ảnh HRZ, mặc dù không phổ biến như các định dạng JPEG, PNG hoặc GIF phổ biến, nổi bật vì sử dụng chuyên biệt trong một số lĩnh vực yêu cầu độ phân giải cao và biểu diễn màu sắc chính xác. Định dạng này được phát triển để đáp ứng nhu cầu của các chuyên gia trong thiết kế đồ họa, nghệ thuật kỹ thuật số, y học hình ảnh và nghiên cứu khoa học, nơi mà độ chính xác và chất lượng không thể bị hy sinh. Khác với các định dạng thông thường, HRZ được thiết kế để chứa lượng lớn thông tin chi tiết một cách hiệu quả, điều này đặc biệt phù hợp với các ảnh yêu cầu xử lý sau rộng rãi hoặc các ảnh sẽ được xem trên màn hình độ phân giải rất cao.
Ở cốt lõi của nó, định dạng HRZ là một container có thể chứa ảnh theo cách không mất dữ liệu hoặc có thể mất dữ liệu tuỳ theo yêu cầu của dự án. Tính thích ứng này là một tính năng quan trọng, vì nó cho phép người dùng lựa chọn có ý thức giữa việc bảo tồn chất lượng tối đa của một hình ảnh hoặc chọn chất lượng hơi thua kém với kích thước tập tin giảm đáng kể. Sự linh hoạt này làm cho HRZ trở thành một công cụ đa năng trong kho vũ khí của bất kỳ chuyên gia nào xử lý hình ảnh độ nét cao.
Một trong những tính năng nổi bật của định dạng HRZ là khả năng hỗ trợ một phổ màu rộng và dải động cao (HDR). Với khả năng lưu trữ thông tin bằng cách sử dụng màu sâu (lên đến 16 bit trên mỗi kênh hoặc hơn), các hình ảnh HRZ có thể biểu diễn phổ màu rộng hơn và những quá độ tinh tế hơn so với hầu hết các định dạng khác. Điều này đặc biệt có lợi trong các lĩnh vực như điện ảnh kỹ thuật số và y học hình ảnh, nơi mà việc ghi lại và tái tạo các màu sắc chính xác và tinh tế là rất quan trọng.
Một lợi thế đáng kể khác của định dạng HRZ là khả năng hỗ trợ siêu dữ liệu toàn diện. Siêu dữ liệu trong các tệp HRZ có thể bao gồm thông tin bản quyền, cài đặt máy ảnh, geo-tag và hơn thế nữa, điều này rất quan trọng đối với các chuyên gia cần theo dõi nguồn gốc hình ảnh, cài đặt và các chi tiết liên quan khác. Dữ liệu này không chỉ quan trọng cho mục đích lưu trữ mà còn để đảm bảo rằng các hình ảnh tuân thủ một số tiêu chuẩn và giấy phép nhất định. Khả năng siêu dữ liệu mạnh mẽ của HRZ làm cho nó trở thành lựa chọn tốt hơn cho các ứng dụng yêu cầu tài liệu chi tiết cùng với nội dung hình ảnh.
Nén là một lĩnh vực khác mà HRZ nổi bật. Định dạng này sử dụng một thuật toán nén tinh vi được thiết kế để bảo tồn tối đa chi tiết và độ chính xác màu sắc. Khác với các phương pháp nén truyền thống có thể giới thiệu các hiện tượng nhiễu hoặc mờ rõ ràng, thuật toán của HRZ đảm bảo rằng các hình ảnh vẫn sắc nét và sống động, ngay cả sau khi nén. Điều này đặc biệt quan trọng đối với các mục đích lưu trữ, nơi mà sự toàn vẹn của một hình ảnh phải được duy trì theo thời gian, hoặc đối với các ứng dụng như điện ảnh kỹ thuật số, nơi mỗi pixel đều quan trọng.
Các hình ảnh HRZ cũng hỗ trợ nhiều lớp và độ trong suốt, những đặc điểm rất được tìm kiếm trong thiết kế đồ họa và nghệ thuật kỹ thuật số. Khả năng này cho phép các bản hợp thành phức tạp được lưu trong một tệp duy nhất mà không cần trộn lẫn các lớp, do đó bảo tồn khả năng thực hiện các chỉnh sửa hoặc điều chỉnh trong tương lai. Hỗ trợ độ trong suốt càng nâng cao tính linh hoạt của định dạng, làm cho nó trở nên lý tưởng để tạo các lớp phủ, logo và các phần tử khác cần được tích hợp vào các nền khác nhau.
Tính khả mở rộng ngoại hạng của định dạng cũng là một tính năng đáng chú ý. HRZ có thể xử lý hình ảnh với bất kỳ độ phân giải nào, từ hình nhỏ đến biển quảng cáo khổng lồ, mà không hề mất chất lượng. Tính khả mở rộng này làm cho nó trở thành yêu thích của các chuyên gia làm việc với nhiều kích thước phương tiện khác nhau và cần các hình ảnh của họ duy trì độ trung thực trên các định dạng và màn hình khác nhau.
Hơn nữa, định dạng HRZ được thiết kế với mục tiêu tương lai. Nó hỗ trợ các phần mở rộng và nâng cấp trong tương lai, điều này có nghĩa là khi công nghệ chụp ảnh kỹ thuật số phát triển, định dạng HRZ có thể được cập nhật để bao gồm các tính năng mới hoặc cải thiện các tính năng hiện có mà không ảnh hưởng đến tính tương thích của các tệp cũ. Cách tiếp cận hướng tới tương lai này đảm bảo rằng các tệp được lưu trong định dạng HRZ vẫn có thể truy cập và liên quan, ngay cả khi các công nghệ chụp ảnh mới được phát triển.
Các tính năng bảo mật được tích hợp vào định dạng HRZ cũng đáng chú ý. Nó bao gồm các tùy chọn mã hóa và quản lý quyền số (DRM), cho phép người dùng bảo vệ các hình ảnh của họ khỏi truy cập hoặc sử dụng trái phép. Điều này đặc biệt quan trọng đối với nhiếp ảnh gia, nghệ sĩ và bất kỳ chuyên gia sáng tạo nào muốn bảo vệ quyền sở hữu trí tuệ của họ trong lĩnh vực kỹ thuật số.
Về xử lý tệp và tính tương thích phần mềm, HRZ được hỗ trợ bởi một số lượng ngày càng tăng các phần mềm chỉnh sửa và xem ảnh, nhờ vào định dạng mở và việc có sẵn tài liệu và thư viện công khai. Sự dễ tiếp cận này khuyến khích việc áp dụng rộng rãi và cho phép các nhà phát triển tích hợp hỗ trợ HRZ vào các ứng dụng của họ, đảm bảo rằng người dùng có thể làm việc với các tệp HRZ mà không gặp bất kỳ trở ngại lớn nào.
Mặc dù có nhiều lợi thế, định dạng HRZ vẫn phải đối mặt với một số thách thức khi cần được áp dụng rộng rãi. Một trong những rào cản chính là kích thước tệp lớn hơn so với các định dạng nén nặng hơn như JPEG. Điều này có thể là yếu tố hạn chế trong các trường hợp sử dụng nơi không gian lưu trữ là mối quan tâm, chẳng hạn như trong phát triển web hoặc ứng dụng di động. Tuy nhiên, sự đánh đổi giữa chất lượng cao hơn và chi tiết phong phú hơn thường được coi là đáng giá trong các thiết lập chuyên nghiệp nơi những thuộc tính này là không thể nhượng bộ.
Một yếu tố cân nhắc khác là nhu cầu phần mềm chuyên dụng để khai thác tối đa các khả năng của định dạng HRZ. Trong khi xem và chỉnh sửa cơ bản được hỗ trợ bởi một số ứng dụng, việc tận dụng tối đa các tính năng của định dạng - chẳng hạn như hỗ trợ siêu dữ liệu toàn diện và các hồ sơ màu nâng cao - có thể yêu cầu các công cụ chuyên biệt hơn. Điều này có thể tạo ra một rào cản gia nhập đối với những người nghiệp dư hoặc những người có ngân sách chặt chẽ, mặc dù các chuyên gia trong các lĩnh vực liên quan có thể coi việc đầu tư là chính đáng.
Việc phát triển và bảo trì định dạng HRZ được giám sát bởi một nhóm các bên liên quan trong ngành cam kết, đảm b ảo rằng nó tiếp tục đáp ứng các tiêu chuẩn chuyên nghiệp và phát triển để đáp ứng nhu cầu của người dùng. Mô hình quản trị này giúp duy trì chất lượng, bảo mật và tính tương thích của định dạng theo thời gian, phản ánh cam kết hỗ trợ nhu cầu chụp ảnh chuyên nghiệp của các ngành công nghiệp và chuyên gia trên toàn thế giới.
Tóm lại, định dạng ảnh HRZ đại diện cho một bước tiến đáng kể trong công nghệ chụp ảnh kỹ thuật số, cung cấp một sự kết hợp giữa chất lượng, linh hoạt và bảo mật mà khó tìm thấy ở các định dạng phổ biến hơn. Khả năng duy trì chi tiết độ phân giải cao, hỗ trợ phổ màu rộng và quản lý siêu dữ liệu rộng rãi, khiến nó trở thành một công cụ vô giá đối với các chuyên gia trong nhiều lĩnh vực. Mặc dù gặp một số thách thức như kích thước tệp lớn hơn và nhu cầu phần mềm chuyên dụng, các lợi ích của việc sử dụng HRZ trong các bối cảnh phù hợp vượt trội xa những xem xét này. Khi công nghệ chụp ảnh kỹ thuật số tiếp tục tiến hóa, định dạng HRZ đang được định vị tốt để thích ứng và vẫn là một nhân tố chính trong lĩnh vực quản lý ảnh chuyên nghiệp.
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.