OCR herhangi bir J2C
Sürükleyip bırakın ya da seçmek için tıklayın
Özel ve güvenli
Her şey tarayıcınızda gerçekleşir. Dosyalarınız sunucularımıza asla dokunmaz.
Çok hızlı
Yükleme yok, bekleme yok. Bir dosyayı bıraktığınız anda dönüştürün.
Gerçekten ücretsiz
Hesap gerekmez. Gizli maliyet yok. Dosya boyutu hilesi yok.
Optik Karakter Tanıma (OCR) metin resimlerini—taramaları, akıllı telefon fotoğraflarını, PDF'leri—makine tarafından okunabilir dizelere ve giderek artan bir şekilde yapılandırılmış verilere dönüştürür. Modern OCR, bir görüntüyü temizleyen, metni bulan, okuyan ve zengin meta verileri dışa aktaran bir boru hattıdır böylece alt sistemler alanları arayabilir, dizine ekleyebilir veya çıkarabilir. Yaygın olarak kullanılan iki çıktı standardı şunlardır: hOCR, metin ve düzen için bir HTML mikroformatı ve ALTO XML, bir kütüphane/arşiv odaklı şema; her ikisi de konumları, okuma sırasını ve diğer düzen ipuçlarını korur ve gibi popüler motorlar tarafından desteklenir Tesseract.
Boru hattına hızlı bir bakış
Ön işleme. OCR kalitesi görüntü temizleme ile başlar: gri tonlamaya dönüştürme, gürültü giderme, eşikleme (ikili hale getirme) ve eğrilik düzeltme. Kanonik OpenCV eğitimleri küresel, uyarlanabilir ve Otsu eşikleme—düzensiz aydınlatmalı veya bimodal histogramlı belgeler için temel unsurlar. Bir sayfa içinde aydınlatma değiştiğinde (telefon fotoğraflarını düşünün), uyarlanabilir yöntemler genellikle tek bir küresel eşikten daha iyi performans gösterir; Otsu histogramı analiz ederek otomatik olarak bir eşik seçer. Eğim düzeltme de aynı derecede önemlidir: Hough tabanlı eğrilik düzeltme (Hough Çizgi Dönüşümü) Otsu ikilileştirmesi ile eşleştirilmiş, üretim ön işleme boru hatlarında yaygın ve etkili bir reçetedir.
Tespit ve tanıma. OCR tipik olarak metin tespiti (metin nerede ?) ve metin tanıma (ne diyor?) olarak ikiye ayrılır. Doğal sahnelerde ve birçok taramada, tamamen evrişimli dedektörler gibi EAST ağır teklif aşamaları olmadan kelime veya satır düzeyinde dörtgenleri verimli bir şekilde tahmin eder ve yaygın araç setlerinde (ör. OpenCV’nin metin tespiti eğitimi) uygulanır. Karmaşık sayfalarda (gazeteler, formlar, kitaplar), satırların/bölgelerin segmentasyonu ve okuma sırası çıkarımı önemlidir:Kraken geleneksel bölge/satır segmentasyonunu ve sinirsel temel çizgi segmentasyonunu uygular, farklı komut dosyaları ve yönler (LTR/RTL/dikey) için açık destek ile.
Tanıma modelleri. Klasik açık kaynaklı iş gücü Tesseract (Google tarafından açık kaynaklı hale getirildi, kökleri HP'ye dayanıyor) bir karakter sınıflandırıcısından LSTM tabanlı bir dizi tanıyıcıya dönüştü ve aranabilir PDF'ler, hOCR/ALTO dostu çıktılarve daha fazlasını CLI'den yayabilir. Modern tanıyıcılar, önceden bölümlenmiş karakterler olmadan dizi modellemesine güvenir. Bağlantıcı Geçici Sınıflandırma (CTC) temel olmaya devam ediyor, girdi özellik dizileri ve çıktı etiket dizileri arasındaki hizalamaları öğreniyor; el yazısı ve sahne metni boru hatlarında yaygın olarak kullanılıyor.
Son birkaç yılda, Transformer'lar OCR'yi yeniden şekillendirdi. TrOCR bir görüş Transformer kodlayıcı artı bir metin Transformer kod çözücü kullanır, büyük sentetik korpuslar üzerinde eğitilmiş ve ardından gerçek veriler üzerinde ince ayar yapılmış, basılı, el yazısı ve sahne metni karşılaştırmalarında güçlü performansla (ayrıca bkz. Hugging Face belgeleri). Paralel olarak, bazı sistemler alt akım anlama için OCR'yi atlar: Donut (Belge Anlama Transformer'ı) doğrudan yapılandırılmış cevaplar (anahtar-değer JSON gibi) üreten OCR'siz bir kodlayıcı-kod çözücüdür belge resimlerinden (repo, model kartı), ayrı bir OCR adımı bir IE sistemini beslediğinde hata birikimini önler.
Motorlar ve kütüphaneler
Birçok komut dosyasında pille birlikte metin okuma istiyorsanız, EasyOCR 80'den fazla dil modeliyle basit bir API sunar, kutular, metin ve güvenilirlikler döndürür—prototipler ve Latin olmayan komut dosyaları için kullanışlıdır. Tarihi belgeler için, Kraken temel çizgi segmentasyonu ve komut dosyasına duyarlı okuma sırası ile parlar; esnek satır düzeyinde eğitim için, Calamari Ocropy soyundan gelir (Ocropy) (çoklu)LSTM+CTC tanıyıcıları ve özel modelleri ince ayarlamak için bir CLI ile.
Veri setleri ve karşılaştırmalar
Genelleme verilere bağlıdır. El yazısı için, IAM El Yazısı Veritabanı eğitim ve değerlendirme için yazar açısından çeşitli İngilizce cümleler sağlar; bu, satır ve kelime tanıma için uzun süredir devam eden bir referans setidir. Sahne metni için, COCO-Text MS-COCO üzerine kapsamlı ek açıklamalar katmanladı, basılı/el yazısı, okunaklı/okunaksız, komut dosyası ve tam transkripsiyonlar için etiketlerle (ayrıca orijinal proje sayfasınabakın). Alan ayrıca sentetik ön eğitime de büyük ölçüde güvenir: Vahşi Doğada SynthText gerçekçi geometri ve aydınlatma ile fotoğraflara metin işler, önceden eğitmek için büyük hacimli veriler sağlar dedektörler ve tanıyıcılar (referans kod ve veri).
ICDAR’ın Sağlam Okuma şemsiyesi altındaki yarışmalar değerlendirmeyi temellendirir. Son görevler uçtan uca tespit/okumayı vurgular ve kelimeleri ifadelere bağlamayı içerir, resmi kod raporlaması kesinlik/geri çağırma/F-skoru, kesişim-üzeri-birleşim (IoU) ve karakter düzeyinde düzenleme mesafesi metrikleri—uygulayıcıların izlemesi gerekenleri yansıtır.
Çıktı formatları ve alt akım kullanımı
OCR nadiren düz metinle biter. Arşivler ve dijital kütüphaneler ALTO XML 'i tercih eder çünkü içeriğin yanı sıra fiziksel düzeni (koordinatlı bloklar/satırlar/kelimeler) kodlar ve METS paketlemesiyle iyi eşleşir. hOCR mikroformatı ise aynı fikri ocr_line ve ocrx_word gibi sınıfları kullanarak HTML/CSS'ye gömer, bu da web araçlarıyla görüntülemeyi, düzenlemeyi ve dönüştürmeyi kolaylaştırır. Tesseract her ikisini de sunar—örneğin, doğrudan CLI'den hOCR veya aranabilir PDF'ler oluşturma (PDF çıktı kılavuzu); pytesseract gibi Python sarmalayıcıları kolaylık sağlar. Depoların sabit alım standartları olduğunda hOCR ve ALTO arasında çeviri yapmak için dönüştürücüler mevcuttur—bu derlenmiş listeye bakın OCR dosya formatı araçları.
Pratik rehberlik
- Veri ve temizlikle başlayın. Görüntüleriniz telefon fotoğrafları veya karışık kalitede taramalar ise, herhangi bir model ayarlamasından önce eşiklemeye (uyarlanabilir ve Otsu) ve eğrilik düzeltmeye (Hough) yatırım yapın. Genellikle sağlam bir ön işleme reçetesinden, tanıyıcıları değiştirmekten daha fazla kazanç sağlarsınız.
- Doğru dedektörü seçin. Düzenli sütunlu taranmış sayfalar için bir sayfa segmentleyici (bölgeler → satırlar) yeterli olabilir; doğal görüntüler için, EAST gibi tek atışlı dedektörler güçlü temel çizgilerdir ve birçok araç setine takılır (OpenCV örneği).
- Metninize uyan bir tanıyıcı seçin. Basılı Latin için, Tesseract (LSTM/OEM) sağlam ve hızlıdır; çoklu komut dosyası veya hızlı prototipler için, EasyOCR üretkendir; el yazısı veya tarihi yazı karakterleri için, Kraken veya Calamari 'yi düşünün ve ince ayar yapmayı planlayın. Belge anlamaya (anahtar-değer çıkarma, VQA) sıkı bir şekilde bağlanmanız gerekiyorsa, şemanızda TrOCR (OCR) ile Donut (OCR'siz) karşılaştırmasını değerlendirin—Donut bütün bir entegrasyon adımını kaldırabilir.
- Önemli olanı ölçün. Uçtan uca sistemler için, tespit F-skoru ve tanıma CER/WER'yi (her ikisi de Levenshtein düzenleme mesafesine dayanır; bkz. CTC) raporlayın; düzen ağırlıklı görevler için, IoU/sıkılığı ve karakter düzeyinde normalleştirilmiş düzenleme mesafesini ICDAR RRC değerlendirme kitlerindeki gibi izleyin.
- Zengin çıktılar dışa aktarın. hOCR /ALTO 'yu (veya her ikisini) tercih edin, böylece koordinatları ve okuma sırasını korursunuz—arama sonucu vurgulama, tablo/alan çıkarma ve köken için hayati önem taşır. Tesseract’ın CLI'si ve pytesseract bunu tek satırlık hale getirir.
İleriye bakış
En güçlü eğilim yakınsamadır: tespit, tanıma, dil modelleme ve hatta göreve özgü kod çözme birleşik Transformer yığınlarında birleşiyor. büyük sentetik korpuslar üzerinde ön eğitim bir güç çarpanı olmaya devam ediyor. OCR'siz modeller, hedefin kelimesi kelimesine transkriptler yerine yapılandırılmış çıktılar olduğu her yerde agresif bir şekilde rekabet edecektir. Hibrit dağıtımlar da bekleyin: uzun biçimli metin için hafif bir dedektör artı bir TrOCR tarzı tanıyıcı ve formlar ve makbuzlar için bir Donut tarzı model.
Daha fazla okuma ve araçlar
Tesseract (GitHub) · Tesseract belgeleri · hOCR özellikleri · ALTO arka planı · EAST dedektörü · OpenCV metin tespiti · TrOCR · Donut · COCO-Text · SynthText · Kraken · Calamari OCR · ICDAR RRC · pytesseract · IAM el yazısı · OCR dosya formatı araçları · EasyOCR
Sıkça Sorulan Sorular
OCR nedir?
Optical Character Recognition (OCR), tarama yapılan kağıt belgeler, PDF dosyaları veya dijital bir kamera ile çekilen fotoğraflar gibi çeşitli belgeleri düzenlenebilir ve aranabilir bilgilere çevirmek için kullanılan bir teknolojidir.
OCR nasıl çalışır?
OCR, giriş görüntüsünü veya belgeyi tarayarak, görüntüyü bireysel karakterlere ayırarak ve her karakteri bir karakter şekli veritabanı ile pattern recognition veya feature recognition kullanarak karşılaştırarak çalışır.
OCR'nin pratik uygulamaları nelerdir?
OCR, basılı belgelerin dijitalleştirilmesi, metinden sesli hizmetlerin etkinleştirilmesi, veri giriş süreçlerinin otomatikleştirilmesi ve görme engelli kullanıcıların metinle daha iyi etkileşim kurması gibi farklı sektörlerde ve uygulamalarda kullanılır.
OCR her zaman %100 doğru mudur?
OCR teknolojisinde büyük gelişmeler kaydedilmiş olmasına rağmen, hâlâ hatalar olabilir. Doğruluk, orijinal belgenin kalitesine ve kullanılan OCR yazılımının özelliklerine bağlı olarak değişir.
OCR el yazısını tanıyabilir mi?
OCR, temel olarak basılmış metin için tasarlanmıştır, ancak bazı gelişmiş OCR sistemleri, net ve tutarlı el yazısını da tanıyabilir. Ancak, bireysel yazı stillerindeki büyük varyasyonlar nedeniyle, genellikle el yazısının tanınması daha az doğrudur.
OCR birden fazla dili destekler mi?
Evet, birçok OCR yazılım sistemi birden fazla dili tanıyabilir. Ancak, belirli bir dilin desteklendiğinden emin olmak için kullanılan yazılımı kontrol etmek önemlidir.
OCR ve ICR arasındaki fark nedir?
OCR, Optical Character Recognition anlamına gelir ve basılı metni tanımak için kullanılır, ICR ise Intelligent Character Recognition anlamına gelir ve daha gelişmiş olup el yazısını tanımak için kullanılır.
OCR herhangi bir font ve metin boyutuyla çalışabilir mi?
OCR, açık, okunabilir fontlar ve standart metin boyutlarıyla en iyi sonucu verir. Farklı fontlar ve boyutlarla da çalışabilir, ancak alışılmadık fontlar veya çok küçük metin boyutlarıyla karşılaştığında doğruluk genellikle azalır.
OCR teknolojisinin sınırlamaları nelerdir?
OCR, düşük çözünürlüklü belgeler, karmaşık fontlar, zayıf basılan metinler, el yazısı ve metni engelleyen arka planları olan belgelerle zorlanabilir. Ayrıca, birçok dili destekleyebilme özelliğine rağmen, her dili mükemmel bir şekilde kapsayamayabilir.
OCR, renkli metinleri veya renkli arka planları tarayabilir mi?
Evet, OCR, renkli metin ve arka planları tarayabilir, ancak genellikle yüksek kontrastlı renk kombinasyonları, örneğin beyaz arka plan üzerinde siyah metin, ile daha etkilidir. Metin ve arka plan rengi yeterli kontrast oluşturmadığında doğruluk düşebilir.
J2C formatı nedir?
JPEG-2000 kod akışı
JPEG 2000 Kod Akışı olarak da bilinen J2C görüntü formatı, JPEG 2000 standartları paketinin bir parçasıdır. JPEG 2000'in kendisi, Joint Photographic Experts Group komitesi tarafından orijinal JPEG standardının yerini almak amacıyla oluşturulmuş bir görüntü sıkıştırma standardı ve kodlama sistemidir. JPEG 2000 standardı, JPEG'e göre yüksek esnekliğe ve gelişmiş performansa sahip yeni bir görüntü kodlama sistemi sağlama hedefi ile oluşturulmuştur. JPEG formatının düşük bit hızlarında zayıf performans ve ölçeklenebilirlik eksikliği gibi bazı sınırlamalarını gidermek için tasarlanmıştır.
JPEG 2000, orijinal JPEG standardında kullanılan ayrık kosinüs dönüşümü (DCT) yerine dalgacık dönüşümü kullanır. Dalgacık dönüşümü, daha yüksek bir ölçeklenebilirlik derecesi ve kayıpsız sıkıştırma gerçekleştirme olanağı sağlar; bu da orijinal görüntünün sıkıştırılmış verilerden mükemmel bir şekilde yeniden oluşturulabileceği anlamına gelir. Bu, sıkıştırma işlemi sırasında kalıcı olarak bazı görüntü bilgilerini kaybeden orijinal JPEG'in kayıplı sıkıştırmasına göre önemli bir avantajdır.
J2C dosya formatı, özellikle JPEG 2000'in kod akışını ifade eder. Bu kod akışı, JP2 (JPEG 2000 Bölüm 1 dosya formatı), JPX (JPEG 2000 Bölüm 2, genişletilmiş dosya formatı) ve MJ2 (video için Motion JPEG 2000 dosya formatı) gibi çeşitli kapsayıcı formatlara gömülebilen gerçek kodlanmış görüntü verileridir. J2C formatı, esasen bir kapsayıcı format tarafından sağlanabilecek herhangi bir ek meta veri veya yapı içermeyen ham, kodlanmış görüntü verileridir.
J2C formatının temel özelliklerinden biri, aynı dosya içinde hem kayıpsız hem de kayıplı sıkıştırmayı desteklemesidir. Bu, kayıpsız sıkıştırma için tersinir bir dalgacık dönüşümü ve kayıplı sıkıştırma için tersinmez bir dalgacık dönüşümü kullanılmasıyla elde edilir. Kayıpsız ve kayıplı sıkıştırma arasındaki seçim, görüntünün fayans bazında yapılabilir ve içeriğin önemine bağlı olarak yüksek kaliteli ve düşük kaliteli bölgelerin bir karışımına olanak tanır.
J2C formatı ayrıca, "ilerici kod çözme" olarak bilinen bir özelliği destekleyerek oldukça ölçeklenebilirdir. Bu, görüntünün düşük çözünürlüklü bir sürümünün önce kodunun çözülebileceği ve görüntü verilerinin daha fazlası alındıkça veya işlendikçe daha yüksek çözünürlüklü ardışık katmanların takip edebileceği anlamına gelir. Bu, bant genişliğinin sınırlı olabileceği ağ uygulamaları için özellikle kullanışlıdır, çünkü tam, yüksek çözünürlüklü görüntü hala indirilirken görüntünün hızlı bir önizlemesine olanak tanır.
J2C formatının bir diğer önemli yönü, ilgi alanlarını (ROI) desteklemesidir. ROI kodlamasıyla, görüntünün belirli bölümleri görüntünün geri kalanından daha yüksek bir kalitede kodlanabilir. Bu, görüntünün belirli alanlarının daha önemli olduğu ve daha yüksek doğrulukla korunması gerektiği durumlarda, örneğin bir portredeki yüzler veya bir belgedeki metin gibi durumlarda kullanışlıdır.
J2C formatı ayrıca, iletim sırasında veri kaybına karşı daha dayanıklı hale getiren gelişmiş hata dayanıklılığı özelliklerini de içerir. Bu, hata düzeltme kodlarının kullanılması ve kod akışının kayıp paketlerin kurtarılmasına izin verecek şekilde yapılandırılmasıyla elde edilir. Bu, J2C'yi güvenilmez ağlar üzerinden görüntü iletmek veya potansiyel veri bozulmasının etkisini en aza indirecek şekilde görüntü depolamak için iyi bir seçim haline getirir.
J2C'deki renk uzayı işleme de orijinal JPEG'e göre daha gelişmiştir. Format, gri tonlama, RGB, YCbCr ve diğerleri dahil olmak üzere çok çeşitli renk uzaylarını destekler. Ayrıca, aynı görüntünün farklı fayanslarında farklı renk uzaylarının kullanılmasına izin vererek görüntülerin nasıl kodlandığı ve temsil edildiği konusunda ek esneklik sağlar.
J2C formatının sıkıştırma verimliliği, bir diğer güçlü yönüdür. Dalgacık dönüşümü ve aritmetik kodlama gibi gelişmiş entropi kodlama tekniklerini kullanarak J2C, özellikle daha düşük bit hızlarında orijinal JPEG'e göre daha yüksek sıkıştırma oranları elde edebilir. Bu, depolama alanı veya bant genişliğinin önemli olduğu mobil cihazlar veya web uygulamaları gibi uygulamalar için onu çekici bir seçenek haline getirir.
Birçok avantajına rağmen, J2C formatı orijinal JPEG formatına kıyasla yaygın bir şekilde benimsenmemiştir. Bunun nedeni kısmen, görüntü kodlamak ve kodunu çözmek için daha fazla hesaplama kaynağı gerektiren JPEG 2000 standardının daha büyük karmaşıklığından kaynaklanmaktadır. Ek olarak, orijinal JPEG formatı birçok sistemde derinlemesine yerleşmiştir ve yeni bir standardın yer edinmesini zorlaştıran çok sayıda yazılım ve donanım desteğine sahiptir.
Bununla birlikte, belirli uzmanlık alanlarında, J2C formatı özel özellikleri nedeniyle tercih edilen seçim haline gelmiştir. Örneğin, tıbbi görüntülemede kayıpsız sıkıştırma gerçekleştirme yeteneği ve yüksek dinamik aralık ve yüksek bit derinliğine sahip görüntüleri destekleme, J2C'yi ideal bir format haline getirir. Benzer şekilde, dijital sinema ve video arşivlemede, formatın yüksek sıkıştırma oranlarında yüksek kalitesi ve ölçeklenebilirlik özellikleri oldukça değerlidir.
Bir J2C görüntüsünün kodlama süreci birkaç adımı içerir. İlk olarak, görüntü bağımsız olarak işlenebilen fayanslara bölünür. Bu fayanslama, paralel işlemeyi sağlar ve kodlama ve kod çözme işlemlerinin verimliliğini artırabilir. Daha sonra her fayans, kayıpsız veya kayıplı sıkıştırmanın istenip istenmediğine bağlı olarak tersinir veya tersinmez bir dalgacık dönüşümü kullanılarak dönüştürülür.
Dalgacık dönüşümünden sonra, katsayılar nicelenir; bu, dalgacık katsayılarının hassasiyetinin azaltılmasını içerir. Kayıpsız sıkıştırmada, niceleme bu adımı atlar, çünkü niceleme hatalara neden olur. Nicelenmiş katsayılar daha sonra, görüntü içeriğinin istatistiksel özelliklerinden yararlanarak verilerin boyutunu azaltan aritmetik kodlama kullanılarak entropi kodlanır.
Kodlama sürecindeki son adım, kod akışının birleştirilmesidir. Her fayans için entropi kodlu veriler, görüntüyü ve nasıl kodlandığını tanımlayan başlık bilgileriyle birleştirilir. Bu, görüntünün boyutu, fayans sayısı, kullanılan dalgacık dönüşümü, niceleme parametreleri ve diğer ilgili veriler hakkındaki bilgileri içerir. Ortaya çıkan kod akışı daha sonra bir J2C dosyasında saklanabilir veya bir kapsayıcı formata gömülebilir.
Bir J2C görüntüsünün kodunu çözmek, esasen kodlama sürecini tersine çevirmeyi içerir. Kod akışı, başlık bilgilerini ve her fayans için entropi kodlu verileri çıkarmak üzere ayrıştırılır. Entropi kodlu veriler daha sonra nicelenmiş dalgacık katsayılarını kurtarmak için kodunun çözülür. Görüntü kayıplı sıkıştırma kullanılarak sıkıştırılmışsa, katsayılar daha sonra orijinal değerlerine yaklaştırmak için nicelenir. Ters dalgacık dönüşümü, görüntüyü dalgacık katsayılarından yeniden oluşturmak için uygulanır ve fayanslar son görüntüyü oluşturmak için bir araya getirilir.
Sonuç olarak, J2C görüntü formatı, daha iyi sıkıştırma verimliliği, ölçeklenebilirlik ve kayıpsız sıkıştırma gerçekleştirme yeteneği de dahil olmak üzere orijinal JPEG formatına göre çeşitli avantajlar sunan güçlü ve esnek bir görüntü kodlama sistemidir. JPEG ile aynı yaygınlık düzeyine ulaşmamış olsa da, yüksek kaliteli görüntüler gerektiren veya belirli teknik gereksinimleri olan uygulamalar için oldukça uygundur. Teknolojinin gelişmeye devam etmesi ve daha gelişmiş görüntü kodlama sistemlerine olan ihtiyacın artmasıyla birlikte, J2C formatı çeşitli alanlarda daha fazla benimsenme görebilir.
Desteklenen formatlar
AAI.aai
AAI Dune resmi
AI.ai
Adobe Illustrator CS2
AVIF.avif
AV1 Resim Dosya Biçimi
BAYER.bayer
Ham Bayer Resmi
BMP.bmp
Microsoft Windows bitmap resmi
CIN.cin
Cineon Resim Dosyası
CLIP.clip
Resim Clip Maskesi
CMYK.cmyk
Ham siyan, magenta, sarı ve siyah örnekleri
CUR.cur
Microsoft simgesi
DCX.dcx
ZSoft IBM PC çok sayfalı Paintbrush
DDS.dds
Microsoft DirectDraw Yüzeyi
DPX.dpx
SMTPE 268M-2003 (DPX 2.0) resmi
DXT1.dxt1
Microsoft DirectDraw Yüzeyi
EPDF.epdf
Encapsulated Portable Document Format
EPI.epi
Adobe Encapsulated PostScript Interchange biçimi
EPS.eps
Adobe Encapsulated PostScript
EPSF.epsf
Adobe Encapsulated PostScript
EPSI.epsi
Adobe Encapsulated PostScript Interchange biçimi
EPT.ept
TIFF önizlemeli Encapsulated PostScript
EPT2.ept2
TIFF önizlemeli Encapsulated PostScript Level II
EXR.exr
Yüksek dinamik aralıklı (HDR) resim
FF.ff
Farbfeld
FITS.fits
Esnek Resim Taşıma Sistemi
GIF.gif
CompuServe grafik değişim biçimi
HDR.hdr
Yüksek Dinamik Aralıklı resim
HEIC.heic
Yüksek Verimlilik Görüntü Kapsayıcısı
HRZ.hrz
Yavaş Tarama Televizyonu
ICO.ico
Microsoft simgesi
ICON.icon
Microsoft simgesi
J2C.j2c
JPEG-2000 kod akışı
J2K.j2k
JPEG-2000 kod akışı
JNG.jng
JPEG Ağ Grafikleri
JP2.jp2
JPEG-2000 Dosya Biçimi Sözdizimi
JPE.jpe
Joint Photographic Experts Group JFIF biçimi
JPEG.jpeg
Joint Photographic Experts Group JFIF biçimi
JPG.jpg
Joint Photographic Experts Group JFIF biçimi
JPM.jpm
JPEG-2000 Dosya Biçimi Sözdizimi
JPS.jps
Joint Photographic Experts Group JPS biçimi
JPT.jpt
JPEG-2000 Dosya Biçimi Sözdizimi
JXL.jxl
JPEG XL resmi
MAP.map
Çok çözünürlüklü Dikişsiz Resim Veritabanı (MrSID)
MAT.mat
MATLAB seviye 5 resim biçimi
PAL.pal
Palm pixmap
PALM.palm
Palm pixmap
PAM.pam
Ortak 2-boyutlu bitmap formatı
PBM.pbm
Taşınabilir bitmap formatı (siyah ve beyaz)
PCD.pcd
Fotoğraf CD
PCT.pct
Apple Macintosh QuickDraw/PICT
PCX.pcx
ZSoft IBM PC Paintbrush
PDB.pdb
Palm Veritabanı ImageViewer Formatı
PDF.pdf
Taşınabilir Belge Formatı
PDFA.pdfa
Taşınabilir Belge Arşiv Formatı
PFM.pfm
Taşınabilir float formatı
PGM.pgm
Taşınabilir gri tonlama formatı (gri ölçek)
PGX.pgx
JPEG 2000 sıkıştırılmamış formatı
PICT.pict
Apple Macintosh QuickDraw/PICT
PJPEG.pjpeg
Joint Photographic Experts Group JFIF formatı
PNG.png
Taşınabilir Ağ Grafikleri
PNG00.png00
PNG orijinal görüntüden bit derinliği, renk tipi devralan
PNG24.png24
Opak veya ikili saydam 24-bit RGB (zlib 1.2.11)
PNG32.png32
Opak veya ikili saydam 32-bit RGBA
PNG48.png48
Opak veya ikili saydam 48-bit RGB
PNG64.png64
Opak veya ikili saydam 64-bit RGBA
PNG8.png8
Opak veya ikili saydam 8-bit dizinli
PNM.pnm
Taşınabilir herhangi bir harita
PPM.ppm
Taşınabilir pixmap formatı (renk)
PS.ps
Adobe PostScript dosyası
PSB.psb
Adobe Büyük Belge Formatı
PSD.psd
Adobe Photoshop bitmap
RGB.rgb
Ham kırmızı, yeşil ve mavi örnekleri
RGBA.rgba
Ham kırmızı, yeşil, mavi ve alfa örnekleri
RGBO.rgbo
Ham kırmızı, yeşil, mavi ve opaklık örnekleri
SIX.six
DEC SIXEL Grafik Formatı
SUN.sun
Sun Rasterfile
SVG.svg
Ölçeklenebilir Vektör Grafikleri
TIFF.tiff
Etiketli Görüntü Dosya Formatı
VDA.vda
Truevision Targa görüntüsü
VIPS.vips
VIPS görüntüsü
WBMP.wbmp
Kablosuz Bitmap (seviye 0) görüntüsü
WEBP.webp
WebP Görüntü Formatı
YUV.yuv
CCIR 601 4:1:1 veya 4:2:2
Sıkça sorulan sorular
Bu nasıl çalışır?
Bu dönüştürücü tamamen tarayıcınızda çalışır. Bir dosya seçtiğinizde, belleğe okunur ve seçilen biçime dönüştürülür. Ardından dönüştürülen dosyayı indirebilirsiniz.
Bir dosyayı dönüştürmek ne kadar sürer?
Dönüştürmeler anında başlar ve çoğu dosya bir saniyeden kısa sürede dönüştürülür. Daha büyük dosyalar daha uzun sürebilir.
Dosyalarıma ne olur?
Dosyalarınız asla sunucularımıza yüklenmez. Tarayıcınızda dönüştürülürler ve dönüştürülen dosya daha sonra indirilir. Dosyalarınızı asla görmeyiz.
Hangi dosya türlerini dönüştürebilirim?
JPEG, PNG, GIF, WebP, SVG, BMP, TIFF ve daha fazlası dahil olmak üzere tüm resim formatları arasında dönüştürmeyi destekliyoruz.
Bu ne kadar?
Bu dönüştürücü tamamen ücretsizdir ve her zaman ücretsiz olacaktır. Tarayıcınızda çalıştığı için sunucular için ödeme yapmamıza gerek yoktur, bu nedenle sizden ücret almamıza gerek yoktur.
Aynı anda birden fazla dosyayı dönüştürebilir miyim?
Evet! İstediğiniz kadar dosyayı aynı anda dönüştürebilirsiniz. Sadece eklerken birden fazla dosya seçin.