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.
**PLASMA ảnh định dạng**
Sự tiến hóa của các định dạng hình ảnh trong những năm qua là rất đáng kể, được thúc đẩy bởi nhu cầu ngày càng tăng về chất lượng hình ảnh cao hơn và các kỹ thuật nén dữ liệu hiệu quả hơn. Trong số những phát triển này, định dạng hình ảnh PLASMA nổi bật, cung cấp sự kết hợp độc đáo giữa tỷ lệ nén cao, hỗ trợ gam màu rộng và phương pháp tiếp cận thích ứng với mã hóa hình ảnh giúp nó đặc biệt hiệu quả cho cả sử dụng trên web và màn hình độ nét cao. Một trong những đặc điểm chính khiến PLASMA khác biệt với các định dạng hình ảnh khác là thuật toán nén tiên tiến của nó, được thiết kế để giảm kích thước tệp mà không ảnh hưởng đến chất lượng hình ảnh.
Công nghệ nén đằng sau PLASMA dựa trên một phương pháp tinh vi được gọi là 'lượng tử hóa nhận thức', tận dụng các đặc điểm của hệ thống thị giác của con người. Không giống như các phương pháp nén truyền thống làm giảm dữ liệu đồng đều trên toàn bộ hình ảnh, lượng tử hóa nhận thức nén chọn lọc các vùng của hình ảnh mà mắt ít có khả năng nhận thấy sự khác biệt. Phương pháp này cho phép hình ảnh PLASMA duy trì mức độ trung thực hình ảnh cao, ngay cả ở tốc độ bit thấp hơn, bằng cách cân bằng hiệu quả nén và chất lượng hình ảnh.
Một tính năng đáng chú ý khác của định dạng PLASMA là hỗ trợ gam màu rộng. Điều này có nghĩa là nó có thể biểu diễn chính xác một phổ màu rộng hơn so với các định dạng hình ảnh cũ hơn. Khả năng này rất quan trọng đối với nhiếp ảnh chuyên nghiệp, nghệ thuật kỹ thuật số và bất kỳ ứng dụng nào mà độ chính xác màu sắc là tối quan trọng. PLASMA đạt được điều này bằng cách kết hợp các cấu hình màu nâng cao hỗ trợ các không gian màu mới nhất, chẳng hạn như Adobe RGB và ProPhoto RGB, đảm bảo rằng màu sắc hiển thị trung thực nhất có thể so với bản gốc.
Mã hóa thích ứng là một nền tảng khác của thiết kế định dạng hình ảnh PLASMA. Kỹ thuật này cho phép định dạng điều chỉnh động cách mã hóa dữ liệu dựa trên nội dung của hình ảnh. Ví dụ, nó có thể nhận dạng và mã hóa hiệu quả các mẫu hoặc kết cấu lặp lại, đồng thời áp dụng mã hóa chi tiết hơn cho các vùng phức tạp hoặc có nhiều chi tiết. Khả năng thích ứng này không chỉ tăng cường khả năng nén mà còn đảm bảo rằng các chi tiết quan trọng được bảo toàn, khiến nó trở thành lựa chọn tuyệt vời cho nhiều ứng dụng, từ hình ảnh web đến tranh kỹ thuật số chi tiết.
Ngoài các điểm mạnh về mặt kỹ thuật, PLASMA còn kết hợp một số tính năng nhằm nâng cao trải nghiệm người dùng và khả năng sử dụng. Trong số đó có tùy chọn tải tiến bộ, cho phép hiển thị hình ảnh ở chất lượng thấp hơn ban đầu và sau đó tăng dần độ chi tiết. Tính năng này đặc biệt có lợi cho việc sử dụng trên web, cho phép các trang web tải nhanh hơn trong khi vẫn hiển thị hình ảnh ở chất lượng đầy đủ. Tải tiến bộ cũng khiến PLASMA phù hợp với môi trường di động, nơi băng thông có thể bị hạn chế và thời gian tải cần được giữ ở mức ngắn nhất có thể.
Bảo mật và bảo vệ bản quyền cũng là một phần không thể thiếu của định dạng PLASMA. Với việc nội dung kỹ thuật số được chia sẻ và sử dụng lại rộng rãi hơn, vi phạm bản quyền đã trở thành mối quan tâm đáng kể đối với những người sáng tạo. PLASMA giải quyết vấn đề này thông qua khả năng chèn hình mờ kỹ thuật số và thông báo bản quyền. Các tính năng này cho phép người sáng tạo nhúng hình mờ vô hình hoặc thông báo bản quyền có thể nhìn thấy trực tiếp vào tệp hình ảnh, thêm một lớp bảo vệ bổ sung đồng thời đảm bảo rằng thông tin được duy trì ngay cả khi hình ảnh bị nén.
Khả năng tương thích của PLASMA với các công nghệ và nền tảng hiện có là một khía cạnh quan trọng khác trong thiết kế của nó. Hiểu được tầm quan trọng của khả năng tương tác, các nhà phát triển của PLASMA đã đảm bảo rằng nó có thể dễ dàng tích hợp với các tiêu chuẩn web hiện tại và phần mềm chỉnh sửa hình ảnh. Nỗ lực này bao gồm việc phát triển các plugin và tiện ích mở rộng cho phần mềm đồ họa phổ biến, giúp các nghệ sĩ và nhà thiết kế dễ dàng đưa PLASMA vào quy trình làm việc của họ. Hơn nữa, trình duyệt web và ứng dụng di động có thể dễ dàng hỗ trợ hình ảnh PLASMA mà không cần thay đổi đáng kể, tạo điều kiện thuận lợi cho việc áp dụng rộng rãi.
Ẩn bên trong, PLASMA tận dụng cấu trúc tệp độc đáo giúp tối ưu hóa cả hiệu quả lưu trữ và truy cập. Định dạng này được thiết kế để phân tách dữ liệu hình ảnh thành các lớp và phân đoạn, cho phép truy cập chi tiết vào các phần cụ thể của hình ảnh mà không cần giải mã toàn bộ tệp. Cấu trúc này không chỉ cải thiện thời gian tải mà còn kích hoạt các tính năng nâng cao như độ phân giải có thể mở rộng và chỉnh sửa chọn lọc. Ví dụ, người dùng có thể điều chỉnh cân bằng màu của một phân đoạn cụ thể của hình ảnh mà không ảnh hưởng đến phần còn lại, mang lại khả năng kiểm soát và tính linh hoạt chưa từng có.
Định d ạng hình ảnh PLASMA cũng giải quyết các thách thức của hình ảnh HDR (Dải động cao), yêu cầu xử lý nhiều mức độ sáng khác nhau, từ bóng tối nhất đến điểm sáng nhất. Các thuật toán mã hóa của PLASMA được thiết kế riêng để quản lý hiệu quả các mức độ sáng mở rộng đặc trưng của nội dung HDR. Khả năng này đảm bảo rằng hình ảnh PLASMA có thể tái tạo trung thực toàn bộ dải độ sáng và độ tương phản được nhìn thấy trong các cảnh thực tế, khiến nó đặc biệt phù hợp cho màn hình thế hệ tiếp theo và nhiếp ảnh chuyên nghiệp.
Những nỗ lực chuẩn hóa và thúc đẩy việc áp dụng PLASMA đã và đang được tiến hành, do một nhóm các công ty hàng đầu trong ngành nhiếp ảnh, nghệ thuật kỹ thuật số và công nghệ tiên phong. Sự hợp tác này nhằm mục đích thiết lập PLASMA như một định dạng phổ quát có thể đáp ứng các nhu cầu đa dạng của nhiều ngành công nghiệp khác nhau đồng thời thúc đẩy ranh giới của những gì có thể đạt được trong hình ảnh kỹ thuật số. Bằng cách hợp tác với nhau, những bên liên quan này hy vọng sẽ tạo ra một hệ sinh thái nơi PLASMA trở thành đồng nghĩa với hình ảnh kỹ thuật số chất lượng cao, hiệu quả và linh hoạt.
Một lĩnh vực mà PLASMA cho thấy triển vọng đặc biệt là trong lĩnh vực bảo quản lưu trữ. Hiệu quả nén cao của nó, kết hợp với chất lượng hình ảnh không mất dữ liệu, khiến nó trở thành ứng cử viên lý tưởng để lưu trữ các bộ sưu tập hình ảnh kỹ thuật số lớn theo cách tiết kiệm không gian mà không làm mất đi chi tiết. Các thư viện, bảo tàng và các tổ chức khác yêu cầu bảo quản kỹ thuật số lâu dài có thể hưởng lợi rất nhiều từ việc áp dụng PLASMA, vì nó cung cấp một giải pháp bền vững cho những thách thức trong việc lưu trữ và truy cập một lượng lớn hình ảnh có độ phân giải cao.
Mặc dù có nhiều lợi ích, nhưng quá trình chuyển đổi sang sử dụng PLASMA không phải là không có thách thức. Khả năng tương thích với các hệ thống và quy trình làm việc cũ là một lĩnh vực đáng quan tâm. Nhiều tổ chức và cá nhân dựa vào các định dạng hình ảnh đã được thiết lập và có thể do dự khi áp dụng một tiêu chuẩn mới yêu cầu cập nhật phần mềm hoặc thay đổi các quy trình hiện có. Để giảm thiểu những lo ngại này, nhóm phát triển PLASMA đã tập trung vào việc đảm bảo rằng định dạng này tương thích ngược khi có thể và đã cung cấp một bộ công cụ và tài nguyên chuyển đổi để tạo điều kiện thuận lợi cho quá trình chuyển đổi.
Một thách thức khác mà PLASMA phải đối mặt là nhu cầu giáo dục và nâng cao nhận thức rộng rãi về các lợi ích và khả năng của nó. Là một định dạng tương đối mới, nó cạnh tranh với các tiêu chuẩn đã được thiết lập mà người dùng đã quen thuộc. Để giải quyết vấn đề này, các chiến dịch tiếp cận toàn diện đang được tiến hành, nhằm mục đích giới thiệu hiệu suất vượt trội và tính linh hoạt của PLASMA. Những nỗ lực này bao gồm các hướng dẫn, hội thảo trên web và hợp tác với các nghệ sĩ và chuyên gia có ảnh hưởng, những người có thể chứng minh những lợi thế của PLASMA trong các ứng dụng thực tế.
Nhìn về phía trước, tương lai của định dạng hình ảnh PLASMA có vẻ tươi sáng. Khi công nghệ hình ảnh kỹ thuật số tiếp tục phát triển, nhu cầu ngày càng tăng đối với các định dạng có thể cung cấp các giải pháp chất lượng cao, hiệu quả và có khả năng thích ứng. Với các tính năng tiên tiến và những nỗ lực liên tục để cải thiện khả năng truy cập và áp dụng, PLASMA được định vị tốt để đáp ứng những thách thức này. Cho dù là nhiếp ảnh chuyên nghiệp, thiết kế web hay nghệ thuật kỹ thuật số, PLASMA đều mang đến một lựa chọn hấp dẫn cho bất kỳ ai muốn vượt qua ranh giới của những gì có thể trong hình ảnh kỹ thuật số.
Tóm lại, định dạng hình ảnh
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.