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.
PlayStation 3 (PS3) vẫn là một ví dụ hấp dẫn về công nghệ máy chơi game, không chỉ vì khả năng chơi game mà còn vì cách tiếp cận độc đáo của nó đối với phương tiện truyền thông và xử lý hình ảnh. Định dạng hình ảnh của PS3 là một phần không thể thiếu trong trải nghiệm đa phương tiện phong phú của nó, kết hợp chơi game với nội dung phương tiện truyền thông độ nét cao. Hiểu được sự phức tạp về mặt kỹ thuật của định dạng hình ảnh PS3 đòi hỏi phải đi sâu vào kiến trúc xử lý đồ họa của máy chơi game, các loại định dạng hình ảnh mà nó hỗ trợ, các phương pháp được sử dụng để nén và tối ưu hóa và những tác động đến phát triển trò chơi và tạo nội dung.
Điểm mấu chốt trong khả năng xử lý hình ảnh phức tạp của PS3 là Reality Synthesizer (RSX), một đơn vị xử lý đồ họa mạnh mẽ (GPU) được phát triển hợp tác bởi NVIDIA và Sony. RSX có khả năng kết xuất đồ họa ở độ phân giải lên đến 1080p, thể hiện sức mạnh của PS3 trong việc mang lại trải nghiệm chơi game và đa phương tiện độ nét cao. GPU này hỗ trợ nhiều định dạng hình ảnh, bao gồm nhưng không giới hạn ở JPEG, GIF, BMP, TIFF và PNG cho hình ảnh 2D, cũng như các định dạng chuyên dụng cho kết cấu và đồ họa 3D.
Một trong những tính năng đáng chú ý của PS3 là hỗ trợ hình ảnh dải động tương đối cao (HDR), giúp nâng cao chất lượng hình ảnh của trò chơi và video bằng cách cho phép phạm vi màu sắc và độ sáng rộng hơn. HDR trên PS3 đạt được thông qua các định dạng hình ảnh cụ thể và các kỹ thuật xử lý thao tác độ tương phản và phạm vi màu, mang lại trải nghiệm hình ảnh chân thực và sống động hơn. Khả năng HDR này được phản ánh trong hỗ trợ của máy chơi game cho nhiều định dạng hình ảnh và kết cấu lưu trữ dữ liệu dải động cao.
PS3 sử dụng một số loại kỹ thu ật nén để quản lý các tệp hình ảnh của mình một cách hiệu quả, do giới hạn lưu trữ của máy chơi game và kích thước của nội dung HD. Một định dạng phổ biến được sử dụng là định dạng Digital Picture Exchange (DPX), thường được sử dụng trong hậu kỳ video vì khả năng nén không mất dữ liệu của nó. Đối với kết cấu, PS3 sử dụng các định dạng DirectX Texture Compression (DXTC), còn được gọi là S3 Texture Compression (S3TC), rất cần thiết để giảm kích thước tệp mà không làm giảm đáng kể chất lượng hình ảnh.
Để tối ưu hóa hơn nữa việc xử lý hình ảnh, PS3 sử dụng rộng rãi các kỹ thuật lập bản đồ mip và lọc dị hướng. Lập bản đồ mip liên quan đến việc tạo các phiên bản độ phân giải thấp hơn của hình ảnh hoặc kết cấu để sử dụng khi một đối tượng ở xa hoặc không nhìn trực diện, cải thiện đáng kể hiệu suất với tác động tối thiểu đến chất lượng hình ảnh. Lọc dị hướng nâng cao chất lượng hình ảnh của kết cấu trên các bề mặt được xem ở các góc xiên, đảm bảo rằng các kết cấu này trông mịn và chi tiết ngay cả từ xa.
Một khía cạnh khác của định dạng hình ảnh PS3 là các công nghệ độc quyền được phát triển riêng cho máy chơi game. Ví dụ, Multi-Format Codec (MFC) đóng vai trò quan trọng trong việc nén và giải nén hình ảnh và video theo thời gian thực, tạo điều kiện phát trực tuyến và phát lại nội dung độ nét cao. Hệ thống codec này được thiết kế để hoạt động liền mạch với Cell Broadband Engine của PS3, cho phép xử lý song song hiệu quả nội dung đa phương tiện.
PS3 cũng giới thiệu việc sử dụng định dạng Blu-ray Disc để phân phối trò chơi và phương tiện vật lý, có tác động đáng kể đến chất lượng hình ảnh và dung lượng lưu trữ. Đĩa Blu-ray cung cấp khả năng lưu trữ vượt trội so với DVD, cho phép các nhà phát triển trò chơi kết hợp các kết cấu có độ phân giải cao hơn, môi trường chi tiết hơn và các tệp âm thanh và video chưa nén. Bước nhảy vọt về dung lượng lưu trữ này có nghĩa là PS3 có thể xử lý các định dạng hình ảnh phức tạp hơn và các tệp có kích thước lớn hơn, nâng cao độ trung thực và sự phong phú tổng thể của trải nghiệm chơi game.
Về mặt hỗ trợ phần mềm, phần mềm hệ thống của PS3 bao gồm một trình phát đa phương tiện toàn diện hỗ trợ nhiều định dạng hình ảnh, âm thanh và video. Sự linh hoạt này đảm bảo rằng PS3 có thể hoạt động như một trung tâm đa phương tiện hoàn chỉnh, không chỉ là một máy chơi game. Ngoài ra, các công cụ phát triển do Sony cung cấp cho PS3 bao gồm các thư viện và API được thiết kế riêng để xử lý các định dạng hình ảnh và khả năng xử lý độc đáo của máy chơi game, cho phép các nhà phát triển tận dụng tối đa tiềm năng đa phương tiện của phần cứng.
Việc đưa vào các tùy chọn kết nối mạng trên PS3, chẳng hạn như Ethernet và Wi-Fi, đã mở ra những khả năng mới để tải xuống và phát trực tuyến nội dung, bao gồm hình ảnh và video. Kết nối này, kết hợp với khả năng xử lý mạnh mẽ của PS3, cho phép tải xuống, xử lý và hiển thị hình ảnh và video độ nét cao theo thời gian thực từ internet, một tính năng mang tính đột phá vào thời điểm ra mắt máy chơi game.
Hơn nữa, hỗ trợ của PS3 đối với các thiết bị lưu trữ ngoài thông qua cổng USB cho phép người dùng xem và lưu trữ nhiều định dạng hình ảnh trực tiếp từ ổ cứng ngoài, ổ đĩa flash USB và các phương tiện lưu trữ khác. Tính năng này nâng cao khả năng của PS3 như một trung tâm đa phương tiện, cho phép hiển thị ảnh có độ phân giải cao và phát lại nội dung video từ nhiều nguồn ngoài ổ cứng trong của máy chơi game hoặc đĩa Blu-ray.
Đối với các nhà phát triển trò chơi, việc hiểu và sử dụng các định dạng hình ảnh và kỹ thuật nén của PS3 là rất quan trọng để tối ưu hóa hiệu suất và chất lượng hình ảnh. Phát triển trò chơi cho PS3 đòi hỏi phải cân bằng cẩn thận giữa chi tiết hình ảnh và kích thước tệp, đảm bảo rằng trò chơi có thể tải nhanh mà không làm mất đi sự phong phú và chiều sâu của trải nghiệm hình ảnh. Điều này thường liên quan đến việc sử dụng sáng tạo các kỹ thuật nén, định dạng độc quyền và khả năng phần cứng độc đáo của máy chơi game để đạt được kết quả mong muốn.
Cách tiếp cận của PS3 đối với xử lý hình ảnh và hỗ trợ định dạng cũng có ý nghĩa đối với việc tạo nội dung bên ngoài trò chơi. Các nhà làm phim, họa sĩ hoạt hình và nghệ sĩ đa phương tiện thấy máy chơi game là một công cụ mạnh mẽ để kết xuất và xử lý hình ảnh và video độ nét cao. Khả năng phần cứng của PS3, kết hợp với hỗ trợ nhiều định dạng hình ảnh và kỹ thuật nén, đã biến nó trở thành một nền tảng linh hoạt cho nhiều ứng dụng sáng tạo và chuyên nghiệp.
Mặc dù có những tiến bộ về công nghệ và nhiều khả năng mà PS3 cung cấp về mặt xử lý hình ảnh, nhưng vẫn có những thách thức liên quan đến kiến trúc độc đáo của nó. Sự phức tạp của Cell Broadband Engine, kết hợp với bản chất độc quyền của một số định dạng và công cụ của máy chơi game, đã tạo ra một đường cong học tập dốc cho các nhà phát triển và người tạo nội dung. Sự phức tạp này đòi hỏi phải đầu tư đáng kể về thời gian và nguồn lực để khai thác hết khả năng của máy chơi game, điều này có thể là rào cản đối với các nhóm phát triển nhỏ hơn hoặc những người sáng tạo độc lập.
Khi ngành công nghiệp trò chơi tiếp tục phát triển, di sản của định dạng hình ảnh và khả năng xử lý của PS3 vẫn có ảnh hưởng. Những bài học kinh nghiệm rút ra từ việc giải quyết sự phức tạp và tiềm năng của phần cứng PS3 đã cung cấp thông tin cho sự phát triển của các máy chơi game và nền tảng chơi game tiếp theo. Sự nhấn mạnh vào hình ảnh độ nét cao, nén hiệu quả và hỗ trợ đa phương tiện linh hoạt đặc trưng của PS3 đã trở thành kỳ vọng tiêu chuẩn đối với các thiết bị chơi game và giải trí hiện đại.
Tóm lại, định dạng hình ảnh và kiến trúc xử lý của PS3 đại diện cho một cột mốc quan trọng trong quá trình phát triển của máy chơi game như một nền tảng đa phương tiện. Khả năng của máy chơi game trong việc xử lý nhiều định dạng hình ảnh, kết hợp với đơn vị xử lý đồ họa mạnh mẽ, các kỹ thuật nén tiên tiến và hỗ trợ nội dung độ nét cao, đã thiết lập một tiêu chuẩn mới về chất lượng hình ảnh và tích hợp đa phương tiện trong ngành công nghiệp trò chơi. Khi chúng ta nhìn lại kỷ nguyên PS3, tác động của nó đối với phát triển trò chơi, tạo nội dung và lĩnh vực rộng lớn hơn của phương tiện kỹ thuật số vẫn tiếp tục được cảm nhận, nhấn mạnh tầm quan trọng của việc hiểu và tận dụng công nghệ đằng sau các định dạng hình ảnh trong thế giới trò chơi.
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.