Бесплатный сервис по распознаванию
текста из изображений
который поможет получить напечатанный текст из PDF документов и фотографий
Принцип работы ресурса
Отсканируйте или сфотографируйте текст для распознавания
Загрузите файл
Выберите язык содержимого текста в файле
После обработки файла, получите результат * длительность обработки файла может составлять до 60 секунд
Наши преимущества
Основные возможности
Распознавание отсканированных файлов и фотографий, которые содержат текст
Форматирование бумажных и PDF-документов в редактируемые форматы
Приветствуем студентов, офисных работников или большой библиотеки!
У Вас есть учебник или любой журнал, текст из которого необходимо получить, но нет времени чтобы напечатать текст?
Наш сервис поможет сделать перевод текста с фото. После получения результата, Вы сможете загрузить текст для перевода в Google Translate, конвертировать в PDF-файл или сохранить его в Word формате.
OCR или Оптическое Распознавание Текста никогда еще не было таким простым. Все, что Вам необходимо, это отсканировать или сфотографировать текст, далее выбрать файл и загрузить его на наш сервис по распознаванию текста. Если изображение с текстом было достаточно точным, то Вы получите распознанный и читабельный текст.
Сервис не поддерживает тексты написаны от руки.
© 2014-2021 img2txt Сервис распознавания изображений / v.0.6.6.0
Распознавание текста с помощью OCR
Tesseract — это движок оптического распознавания символов (OCR) с открытым исходным кодом, является самой популярной и качественной OCR-библиотекой.
OCR использует нейронные сети для поиска и распознавания текста на изображениях.
Tesseract ищет шаблоны в пикселях, буквах, словах и предложениях, использует двухэтапный подход, называемый адаптивным распознаванием. Требуется один проход по данным для распознавания символов, затем второй проход, чтобы заполнить любые буквы, в которых он не был уверен, буквами, которые, скорее всего, соответствуют данному слову или контексту предложения.
На одном из проектов стояла задача распознать чеки с фотографий.
Инструментом для распознавания был использован Tesseract OCR. Плюсами данной библиотеки можно отметить обученные языковые модели (>192), разные виды распознавания (изображение как слово, блок текста, вертикальный текст), легкая настройка. Так как Tesseract OCR написан на языке C++, был использован сторонний wrapper c github.
Различиями между версиями являются разные обученные модели (версия 4 имеет большую точность, поэтому мы использовали её).
Нам потребуются файлы с данными для распознавания текста, для каждого языка свой файл. Скачать данные можно по ссылке.
Чем лучше качество исходного изображения (имеют значение размер, контрастность, освещение), тем лучше получается результат распознавания.
Также был найден способ обработки изображения для его дальнейшего распознавания путем использования библиотеки OpenCV. Так как OpenCV написан на языке C++, и не существует оптимального для нашего решения написанного wrapper’а, было решено написать собственный wrapper для этой библиотеки с необходимыми для нас функциями обработки изображения. Основной сложностью является подбор значений для фильтра для корректной обработки изображения. Также есть возможность нахождения контуров чеков/текста, но не изучено до конца. Результат получился лучше (на 5-10%).
language — язык текста с картинки, можно выбрать несколько путем их перечисления через «+»;
pageSegmentationMode — тип расположения текста на картинке;
charBlacklist — символы, которые будут игнорироваться ignoring characters.
Использование только Tesseract дало точность
70% при идеальном изображении, при плохом освещении/качестве картинки точность была
Vision + Tesseract OCR
Так как результат был неудовлетворителен, было решено использовать библиотеку от Apple — Vision. Мы использовали Vision для нахождения блоков текста, дальнейшего разделения изображения на отдельные блоки и их распознавания. Результат был лучше на
5%, но и появлялись ошибки из-за повторяющихся блоков.
Недостатками этого решения были:
MLKit
Еще одним из методов определения текста является MLKit от Google, развернутый на Firebase. Данный метод показал наилучшие результаты (
90%), но главным недостатком этого метода является поддержка только латинских символов и сложная обработка разделенного текста в одной строке (наименование — слева, цена — справа).
В итоге можно сказать, что распознать текст на изображениях — задача выполнимая, но есть некоторые трудности. Основной проблемой является качество (размер, освещенность, контрастность) изображения, которую можно решить путем фильтрации изображения. При распознавании текста при помощи Vision или MLKit были проблемы с неверным порядком распознавания текста, обработкой разделенного текста.
Распознанный текст может быть в ручную откорректирован и пригоден к использованию; в большинстве случаев при распознавании текста с чеков итоговая сумма распознается хорошо и не нуждается в корректировках.
Распознавание текста с Изображения онлайн
Конвертировать отсканированные документы, изображения, фотографии в текст
Мы уже обработали 121842 файлов с общим размером 152957 мегабайт
Aspose.OCR
Aspose OCR Изображения в текст это бесплатный онлайн инструмент с помощью которого можно распознать текст с картинки и преобразовать изображение в текст. Отсканированные документы будут иметь формат, доступный для последующей правки в текстовых и табличных редакторах Word, Pdf, Excel и многие другие. Переведите картинку в текст, который вы можете редактировать без смысловых потерь, совершенно бесплатно на любой ОС и платформе. Программа Aspose OCR позволяет легко распознать текст на разных языках с картинки формата JPG, BMP, TIFF, PNG и другие. Наш конвертер изображений в текст работает с любыми шрифтами, стилями текста и макетами страниц и использует автоматическое обнаружение структуры документа, корректирует наклон, обеспечивая лучшие результаты распознавания.
Это бесплатное приложение предоставлено Aspose.OCR
Как преобразовать изображения в текст
Загрузите свое изображение
Щелкните внутри области размещения файла, чтобы загрузить файл изображение, или перетащите файл изображение.
Начать процесс распознавания
Нажмите кнопку «Сканировать изображение», чтобы начать процесс распознавания текста.
Подожди несколько секунд
Подождите, пока не отобразится результат распознавания.
Нажмите кнопку «Загрузить», чтобы загрузить результаты распознавания текста, или просто скопируйте их в буфер обмена.
Часто задаваемые вопросы
Функции, которые вам понравятся
Быстрое и простое распознавание текста
Загрузите изображения и нажмите кнопку «Pапустить OCR», чтобы преобразовать изображения в текст. Вы получите результат, как только будет выполнено распознавание текста.
Выполняйте распознавание текста из любого места
Он работает на всех платформах, включая Windows, Mac, Android и iOS. Все файлы обрабатываются на наших серверах. Вам не требуются плагины, установка программного обеспечения или аппаратные ресурсы.
Высокое качество распознавания
На платформе Aspose.OCR. Все файлы обрабатываются с использованием API Aspose, которые используются многими компаниями из списка Fortune 100 в 114 странах.
Автоматическое определение макета документа
Вам не нужно беспокоиться о ручной настройке расположения текстовых областей. Наш алгоритм автоматического определения макета документа работает автоматически.
Расширенная коррекция перекоса и улучшение изображения
Aspose.OCR может успешно считывать сканы низкого качества и выполнять автоматическую предварительную обработку изображений для исправления низкого разрешения, низкой контрастности, шума и перекоса.
Высокая скорость без ресурсов
Не беспокойтесь об оборудовании, все вычислительные операции выполняются на нашей стороне. Мы используем высоконадежные и высокопроизводительные серверы на базе графических процессоров для размещения нашего ядра, построенного на новейших быстрых нейронных сетях.
Преобразовать изображение в текст
Онлайн-конвертер распознавания текста
Преобразуйте изображение в текст. Извлекайте текст из изображений, фотографий и других рисунков. Этот бесплатный конвертер OCR позволяет извлекать текст из изображений и преобразовывать его в обычный текстовый файл TXT.
Ошибка: количество входящих данных превысило лимит в 3.
Чтобы продолжить, вам необходимо обновить свою учетную запись:
Ошибка: общий размер файла превысил лимит в 100 MB.
Чтобы продолжить, вам необходимо обновить свою учетную запись:
Ошибка: общий размер файла превысил абсолютный лимит в 8GB.
Для платных аккаунтов мы предлагаем:
- Вплоть до 8GB общего размера файла за один сеанс конвертирования 200 файлов на одно конвертирование Высокий приоритет и скорость конвертирования Полное отсутствие рекламы на странице Гарантированный возврат денег
- До 100 Мб общего размера файла за один сеанс конвертирования 5 файлов на одно конвертирование Обычный приоритет и скорость конвертирования Наличие объявлений
Мы не может загружать видео с Youtube.
TXT (Raw text file)
Как извлечь текст из изображений?
Получите неограниченный доступ к конвертеру файлов
- Неограниченный доступ ко всем инструментам Неограниченный размер файлов (до 8 ГБ) Более 1000 инструментов для конвертирования ваших файлов Без рекламы на веб-сайте Гарантируем возврат средств в течение двух недель, без лишних вопросов
Разбор картинки в текст: простой алгоритм
Корни истории уходят в те годы, когда один из кланов древней текстовой игры «Бойцовский клуб» заказал у меня, молодого программиста на Perl, капчу для игры. Пара бессонных ночей — и четыре ровных цифры готовы вместе с проверкой ввода.
Через несколько дней пришёл другой, не менее уважаемый клан, и заказал парсер той самой капчи. Для её разбора пришлось потратить гораздо больше времени, никакого Ocrad тогда ещё не было, но был найден очень простой и рабочий способ.
Через неделю пришёл третий, и самый заслуженный в игре клан, и заказал новую капчу. Через пару месяцев перетягивания одеяла почти все топовые кланы обогатились на новые картинки-артефакты, их программисты на ворох разноцветных бумажек, проект — на кучу генераторов чепухи, а лично я на бесценный опыт.
Совсем недавно этот опыт пригодился для разбора тысяч телефонных номеров с одного из сайтов из изображения обратно в текст. Алгоритм использовался тот же самый, и я хочу им поделиться. Вот отвёртка и молоток, а что вы ими соберёте — синхрофазотрон или гравипушку — уже ваше личное дело.
Писал я это всё сначала на Perl, а потом на PHP, но не стоит никого утомлять листингами, правда?
Шаг 1. Изображение в матрицу.
Разбираем изображение в двумерную матрицу вида axy, или a[x][y], если так больше нравится.
Каждому элементу матрицы присваиваем значение — цвет пикселя.
Считаем количество пикселей разного цвета, информацию об этом заносим в обычный массив.
Шаг 2. Избавляемся от лишнего.
Изображение, хоть взято и из GIF, хранящего не более 256 цветов, всё равно требует уменьшения количества информации. Сокращаем количество цветов: отбрасываем все значения, которых меньше, чем хотя бы 50% от цвета, набравшего наибольшее количество упоминаний в нашем массиве. От вроде бы монохромного изображения обычно остаётся четыре цвета. Это — список основных цветов.
Шаг 3. Дальше — самое забавное: делаем тотальный Sharpen и Grayscale. Следите за руками:
Создаём новую двумерную матрицу b[x][y]. В неё будем писать результаты.
Берём четыре соседних пикселя — квадрат.
Если хотя бы один из цветов этих пикселей остался в списке основных цветов — пишем в новую матрицу b[0][0]=Х. Если ни одного нет — пишем b[0][0]=0.
Берём следующие 4 пикселя. Повторять до конца матрицы, а в случае больших изображений операцию даже можно прогнать дважды. Только не увлекайтесь — чем сложнее изображение, тем сложнее будет сравнивать дальше.
В результате получается вот такая красота:
Что-то в этом есть из детства, когда в школе учили писать почтовые индексы, правда?
Осталось самое простое: объяснить компьютеру, что графическое изображение, состоящее из крестиков и ноликов, вполне может являться десятичной цифрой. Для этого разделяем матрицу на кусочки-подматрицы по символам, и сравниваем их с эталоном. К сожалению, эталон для каждой капчи свой, и каждый раз приходится его подгонять, пусть и незначительно.
В самом конце нас спасает алгоритм Оливье для сравнения похожих строк, который используется в готовой функции PHP int similar_text(str, str). Конечно, чем меньше длина строк, тем быстрей они проверяются, так что я сравнивал первую строку в «распознанном» символе с первой строкой эталона, вторую со второй, и так до конца.
Сорок тысяч телефонных номеров распознались с погрешностью в 1 штуку. Теперь бы сделать алгоритм более универсальным — и миллион у нас в кармане, правда?