Pomiń nawigację

Przetwarzanie obrazów

Wyodrębniaj rozbudowane informacje z obrazów w celu kategoryzowania i przetwarzania danych wizualnych oraz wykonuj wspomagane maszynowo moderowanie obrazów, aby ułatwić nadzorowanie swoich usług.

Analizowanie obrazu

Ta funkcja zwraca informacje o zawartości wizualnej znajdującej się na obrazie. Korzystając z tagowania, modeli specyficznych dla domeny i opisów w czterech językach identyfikuj zawartość i przypisuj jej etykiety bez wahania. Stosuj ustawienia zawartości dla dorosłych/pikantnej, aby ułatwić wykrywanie potencjalnej zawartości dla dorosłych. Identyfikuj typy obrazów i schematy kolorów na zdjęciach.

Zobacz, jak to działa

Nazwa funkcji: Wartość
Opis { "tags": [ "train", "platform", "station", "building", "indoor", "subway", "track", "walking", "waiting", "pulling", "board", "people", "man", "luggage", "standing", "holding", "large", "woman", "yellow", "suitcase" ], "captions": [ { "text": "people waiting at a train station", "confidence": 0.833099365 } ] }
Tagi [ { "name": "train", "confidence": 0.9975446 }, { "name": "platform", "confidence": 0.995543063 }, { "name": "station", "confidence": 0.9798007 }, { "name": "indoor", "confidence": 0.927719653 }, { "name": "subway", "confidence": 0.838939846 }, { "name": "pulling", "confidence": 0.431715637 } ]
Format obrazu "Jpeg"
Wymiary obrazu 462 x 600
Typ obrazu clipart 0
Typ rysunku 0
Czarno-biały false
Treści dla dorosłych false
Treści dla dorosłych — ocena 0.0147124995
Erotyka false
Erotyka — ocena 0.0162802152
Kategorie [ { "name": "trans_trainstation", "score": 0.98828125 } ]
Twarze []
Dominujący kolor tła
"Black"
Dominujący kolor pierwszego planu
"Black"
Kolor akcentu
#484C83

Chcesz to skompilować?

Odczytywanie tekstu z obrazów

Wykrywaj tekst w obrazie za pomocą optycznego rozpoznawania znaków (OCR, optical character recognition) i wyodrębniaj rozpoznane słowa do strumienia znaków, który może być odczytywany przez maszyny. Analizuj obrazy w celu wykrywania osadzonego tekstu, generowania strumieni znaków i umożliwiania wyszukiwania. Rób zdjęcia tekstu, zamiast go przepisywać, aby oszczędzić czas i ułatwić pracę.

Zacznij korzystać z usługi OCR w wersji ogólnie dostępnej i odkryj poniżej informacje dotyczące nowego aparatu OCR w wersji zapoznawczej (poprzez operację interfejsu API „Rozpoznaj tekst”) osiągającego jeszcze lepsze wyniki w rozpoznawaniu tekstu w języku angielskim.

Zobacz, jak to działa

  1. Wersja zapoznawcza
  2. JSON

Sorry!

Have a

nice day !

Oops!

See you soon !

bye!

{
  "status": "Succeeded",
  "succeeded": true,
  "failed": false,
  "finished": true,
  "recognitionResult": {
    "lines": [
      {
        "boundingBox": [
          122,
          122,
          401,
          85,
          404,
          229,
          143,
          233
        ],
        "text": "Sorry!",
        "words": [
          {
            "boundingBox": [
              121,
              121,
              424,
              81,
              442,
              223,
              140,
              263
            ],
            "text": "Sorry!"
          }
        ]
      },
      {
        "boundingBox": [
          586,
          160,
          917,
          120,
          929,
          221,
          599,
          262
        ],
        "text": "Have a",
        "words": [
          {
            "boundingBox": [
              585,
              166,
              813,
              138,
              814,
              232,
              593,
              265
            ],
            "text": "Have"
          },
          {
            "boundingBox": [
              832,
              137,
              898,
              135,
              896,
              224,
              833,
              230
            ],
            "text": "a"
          }
        ]
      },
      {
        "boundingBox": [
          577,
          243,
          980,
          204,
          992,
          335,
          590,
          374
        ],
        "text": "nice day !",
        "words": [
          {
            "boundingBox": [
              575,
              265,
              757,
              237,
              765,
              342,
              583,
              353
            ],
            "text": "nice"
          },
          {
            "boundingBox": [
              774,
              234,
              934,
              211,
              941,
              339,
              782,
              341
            ],
            "text": "day"
          },
          {
            "boundingBox": [
              934,
              211,
              991,
              204,
              997,
              339,
              941,
              339
            ],
            "text": "!"
          }
        ]
      },
      {
        "boundingBox": [
          210,
          367,
          436,
          347,
          435,
          499,
          192,
          483
        ],
        "text": "Oops!",
        "words": [
          {
            "boundingBox": [
              192,
              368,
              452,
              345,
              466,
              495,
              205,
              519
            ],
            "text": "Oops!"
          }
        ]
      },
      {
        "boundingBox": [
          167,
          622,
          686,
          588,
          693,
          684,
          174,
          719
        ],
        "text": "See you soon !",
        "words": [
          {
            "boundingBox": [
              165,
              624,
              307,
              614,
              308,
              711,
              168,
              722
            ],
            "text": "See"
          },
          {
            "boundingBox": [
              300,
              614,
              442,
              606,
              441,
              702,
              302,
              712
            ],
            "text": "you"
          },
          {
            "boundingBox": [
              448,
              605,
              622,
              597,
              619,
              690,
              448,
              701
            ],
            "text": "soon"
          },
          {
            "boundingBox": [
              622,
              597,
              686,
              594,
              683,
              687,
              619,
              690
            ],
            "text": "!"
          }
        ]
      },
      {
        "boundingBox": [
          824,
          491,
          1010,
          482,
          1013,
          611,
          808,
          603
        ],
        "text": "bye!",
        "words": [
          {
            "boundingBox": [
              811,
              491,
              1034,
              480,
              1040,
              609,
              817,
              620
            ],
            "text": "bye!"
          }
        ]
      }
    ]
  }
}

Chcesz to skompilować?

Wersja zapoznawcza: Odczytywanie tekstu odręcznego z obrazów

Wykrywanie i wyodrębnianie tekstu odręcznego z notatek, listów, esejów, tablic, formularzy i innych źródeł. Zmniejsz nieład związany z dużą ilością papieru i zwiększ produktywność, robiąc zdjęcia ręcznie sporządzanych notatek zamiast ich przepisywania, oraz usprawnij znajdywanie cyfrowych notatek dzięki zaimplementowaniu funkcji wyszukiwania. Funkcja optycznego rozpoznawania pisma odręcznego działa na różnych powierzchniach i tłach, takich jak biały papier, żółte karteczki samoprzylepne i tablice.

Uwaga: ta technologia jest obecnie dostępna w wersji zapoznawczej i tylko w przypadku tekstu w języku angielskim.

Zobacz, jak to działa

  1. Wersja zapoznawcza
  2. JSON

Our greatest glory is not

in never failing ,

but in rising every

time we fall

{
  "status": "Succeeded",
  "succeeded": true,
  "failed": false,
  "finished": true,
  "recognitionResult": {
    "lines": [
      {
        "boundingBox": [
          67,
          204,
          668,
          210,
          667,
          272,
          66,
          267
        ],
        "text": "Our greatest glory is not",
        "words": [
          {
            "boundingBox": [
              47,
              206,
              161,
              205,
              157,
              274,
              43,
              275
            ],
            "text": "Our"
          },
          {
            "boundingBox": [
              179,
              205,
              350,
              204,
              346,
              273,
              175,
              274
            ],
            "text": "greatest"
          },
          {
            "boundingBox": [
              381,
              204,
              509,
              203,
              505,
              272,
              377,
              273
            ],
            "text": "glory"
          },
          {
            "boundingBox": [
              526,
              203,
              588,
              203,
              584,
              272,
              522,
              272
            ],
            "text": "is"
          },
          {
            "boundingBox": [
              588,
              203,
              680,
              202,
              676,
              271,
              584,
              272
            ],
            "text": "not"
          }
        ]
      },
      {
        "boundingBox": [
          540,
          289,
          900,
          302,
          897,
          374,
          538,
          360
        ],
        "text": "in never failing ,",
        "words": [
          {
            "boundingBox": [
              507,
              300,
              553,
              300,
              564,
              376,
              518,
              376
            ],
            "text": "in"
          },
          {
            "boundingBox": [
              579,
              300,
              693,
              300,
              704,
              376,
              590,
              376
            ],
            "text": "never"
          },
          {
            "boundingBox": [
              712,
              300,
              872,
              300,
              883,
              376,
              723,
              376
            ],
            "text": "failing"
          },
          {
            "boundingBox": [
              864,
              300,
              902,
              300,
              913,
              376,
              875,
              376
            ],
            "text": ","
          }
        ]
      },
      {
        "boundingBox": [
          139,
          416,
          572,
          433,
          570,
          491,
          136,
          474
        ],
        "text": "but in rising every",
        "words": [
          {
            "boundingBox": [
              125,
              417,
              213,
              418,
              200,
              491,
              112,
              490
            ],
            "text": "but"
          },
          {
            "boundingBox": [
              217,
              418,
              273,
              418,
              260,
              491,
              204,
              491
            ],
            "text": "in"
          },
          {
            "boundingBox": [
              297,
              418,
              433,
              419,
              420,
              492,
              284,
              491
            ],
            "text": "rising"
          },
          {
            "boundingBox": [
              461,
              419,
              589,
              420,
              576,
              492,
              448,
              492
            ],
            "text": "every"
          }
        ]
      },
      {
        "boundingBox": [
          622,
          413,
          967,
          410,
          968,
          470,
          623,
          472
        ],
        "text": "time we fall",
        "words": [
          {
            "boundingBox": [
              612,
              407,
              718,
              409,
              709,
              470,
              603,
              468
            ],
            "text": "time"
          },
          {
            "boundingBox": [
              753,
              409,
              825,
              410,
              815,
              471,
              743,
              470
            ],
            "text": "we"
          },
          {
            "boundingBox": [
              863,
              410,
              973,
              412,
              964,
              472,
              853,
              471
            ],
            "text": "fall"
          }
        ]
      }
    ]
  }
}

Chcesz to skompilować?

Rozpoznawanie osobistości i charakterystycznych elementów krajobrazu

Rozpoznawaj ponad 200 000 osobistości ze świata biznesu, polityki, sportu i rozrywki oraz 9000 naturalnych i zbudowanych przez człowieka charakterystycznych elementów krajobrazu z całego świata.

Zobacz, jak to działa

{
  "categories": [
    {
      "name": "people_",
      "score": 0.86328125,
      "detail": {
        "celebrities": [
          {
            "name": "Satya Nadella",
            "faceRectangle": {
              "left": 240,
              "top": 294,
              "width": 135,
              "height": 135
            },
            "confidence": 0.99999833106994629
          }
        ],
        "landmarks": null
      }
    }
  ],
  "adult": null,
  "tags": [
    {
      "name": "person",
      "confidence": 0.99956613779067993
    },
    {
      "name": "suit",
      "confidence": 0.98934584856033325
    },
    {
      "name": "man",
      "confidence": 0.98844343423843384
    },
    {
      "name": "outdoor",
      "confidence": 0.860062301158905
    }
  ],
  "description": {
    "tags": [
      "person",
      "suit",
      "man",
      "necktie",
      "outdoor",
      "building",
      "clothing",
      "standing",
      "wearing",
      "business",
      "looking",
      "holding",
      "black",
      "front",
      "hand",
      "dressed",
      "phone",
      "field"
    ],
    "captions": [
      {
        "text": "Satya Nadella wearing a suit and tie",
        "confidence": 0.9903275009959599
      }
    ]
  },
  "requestId": "9e2f5efb-3aa6-4525-b6f4-02a12d3793ff",
  "metadata": {
    "width": 600,
    "height": 900,
    "format": "Jpeg"
  },
  "faces": [
    {
      "age": 49,
      "gender": "Male",
      "faceRectangle": {
        "left": 240,
        "top": 294,
        "width": 135,
        "height": 135
      }
    }
  ],
  "color": {
    "dominantColorForeground": "Black",
    "dominantColorBackground": "Black",
    "dominantColors": [
      "Black",
      "Grey"
    ],
    "accentColor": "7B5E50",
    "isBWImg": false
  },
  "imageType": {
    "clipArtType": 0,
    "lineDrawingType": 0
  }
}

Chcesz to skompilować?

Analiza filmów wideo prawie w czasie rzeczywistym

Analiza filmów wideo prawie w czasie rzeczywistym Używaj dowolnego interfejsu API przetwarzania obrazów z plikami filmów wideo, wyodrębniając klatki filmu wideo z urządzenia, a następnie wysyłając je do wybranych wywołań interfejsów API. Szybciej uzyskuj wyniki przetwarzania filmów wideo.

Skorzystaj z naszego przykładu w usłudze GitHub, aby rozpocząć pracę i skompilować własną aplikację.

Dowiedz się więcej

Zobacz, jak to działa

Chcesz to skompilować?

Generowanie miniatur

Generuj wysokiej jakości miniatury zajmujące niewiele miejsca na dysku na podstawie dowolnego obrazu i modyfikuj obrazy tak, aby najlepiej spełniały potrzeby dotyczące rozmiaru, kształtu i stylu. Stosuj inteligentne przycinanie, aby generować miniatury o innym współczynniku proporcji niż oryginalny obraz, ale zachowujące interesujący obszar.

Zobacz, jak to działa

Chcesz to skompilować?

Poznaj interfejsy API usług Cognitive Services

Przetwarzanie obrazów

Wyodrębnianie określonych informacji z obrazów

Rozpoznawanie twarzy

Wykrywanie, identyfikowanie, analizowanie, organizowanie i znakowanie twarzy na zdjęciach

Indeksator wideo WERSJA ZAPOZNAWCZA

Udostępnienie analiz wideo

Content Moderator

Zautomatyzowane moderowanie obrazów, tekstu i filmów wideo

Niestandardowe przetwarzanie obrazów WERSJA ZAPOZNAWCZA

Łatwo dostosowuj najwyższej klasy własne modele przetwarzania obrazów dla unikatowych przypadków użycia

Analiza tekstu

Łatwe ocenianie opinii i tematów w celu zrozumienia potrzeb użytkowników

Tłumaczenie tekstu w usłudze Translator

Łatwe wykonywanie tłumaczenia maszynowego dzięki prostemu wywołaniu interfejsu API REST

Sprawdzanie pisowni Bing

Wykrywaj i poprawiaj błędy pisowni w aplikacji

Content Moderator

Zautomatyzowane moderowanie obrazów, tekstu i filmów wideo

Language Understanding

Naucz aplikacje rozpoznawać polecenia użytkowników

Rozpoznawanie mowy Bing

Konwertowanie mowy na tekst i tekstu na mowę w celu zrozumienia intencji użytkownika

Rozpoznawanie osoby mówiącej WERSJA ZAPOZNAWCZA

Identyfikuj i weryfikuj osoby mówiące na podstawie głosu

Tłumaczenie mowy w usłudze Translator

Łatwe tłumaczenie mowy w czasie rzeczywistym dzięki prostemu wywołaniu interfejsu API REST

Mowa niestandardowa WERSJA ZAPOZNAWCZA

Pokonaj bariery rozpoznawania mowy, takie jak styl wypowiedzi, hałas w tle czy słownictwo

Usługi mowy WERSJA ZAPOZNAWCZA

Ujednolicone usługi przetwarzania mowy umożliwiające zamianę mowy na tekst i tekstu na mowę oraz tłumaczenie mowy

QnA Maker

Wydobądź z informacji konwersacyjne odpowiedzi, po których łatwo się poruszać

Chcesz zrewolucjonizować swoją aplikację?