Hindi-OCR: beeld na Hindi-teks
Laai 'n foto, skermskoot of geskandeerde PDF met Hindi-teks op en kry dit terug as Unicode-Devanagari wat skoon in Word, WhatsApp, Google Docs of 'n vorm geplak kan word. Dokumenttaal is reeds op Hindi gestel.
Prent na teks
of los PDF, JPG, JPEG …-lêers hier ·
Maks. 95 MB per lêer· Tot 20 lêers· Uitgevee na 30 minute
Lêers word op ons bedieners verwerk en na 30 minute uitgevee.
Vir bladsye wat twee tale meng, bv. Hindi met Engelse woorde. Los op geen andersins; 'n ekstra taal verlaag akkuraatheid effens.
Behou hou kolomme, paragrawe en tabelle waar hulle was. Gewoon lewer een deurlopende blok teks, makliker om in vorms te plak.
PDF- en multi-bladsy TIFF-invoer: lees elke bladsy, net die eerste, of 'n reeks.
Bladsye om te lees, bv. 1-3, 5, 8-10.
Hoe om hierdie nutsding te gebruik
- 1
Laai die Hindi-bladsy op
Voeg JPG-, PNG-, HEIC- of TIFF-beelde of 'n PDF by, tot 20 lêers van elk tot 95 MB. 'n Skerp, reguit foto van die bladsy by daglig lees die beste.
- 2
Voeg Engels by as die bladsy albei meng
Dokumenttaal is Hindi. As die bladsy ook Engelse woorde, name of kodes bevat, stel Herken ook onder Gevorderde instellings op Engels; andersins laat dit op geen.
- 3
Herken die teks
Druk Herken teks en laai die .txt-lêer af, of kies Word of 'n deursoekbare PDF onder Uitvoer voordat jy begin.
Hindi-OCR moet 'n lyn lees, nie 'n string aparte letters nie: die kopstreep verbind elke karakter in 'n woord, klinkertekens staan bo, onder en voor konsonante, en konsonante smelt saam in konjunkte.
Hoe Hindi-OCR Devanagari-skrif lees
Hindi word in Devanagari geskryf, wat Artikel 343 van die Grondwet van Indië as die skrif van die Unie se amptelike taal noem. Unicode wys die blok U+0900 tot U+097F daaraan toe, en elke moderne foon en rekenaar kan dit wys en tik. Om dit uit 'n prent te herken is iets anders as om Latynse druk te lees, omdat die skrif anders gebou is.
Woorde hang aan 'n deurlopende boonste lyn, die shirorekha, so letters raak aan mekaar en kan nie deur na gapings te soek uitmekaar gesny word nie. Klinkers ná die eerste een word as matras aan die konsonant geskryf. Twee of meer konsonante sonder 'n klinker tussenin smelt saam in 'n konjunk soos क्ष, त्र of श्र. Moderne OCR-enjins hanteer dit deur hele lyne te lees met neurale netwerke wat op Hindi-teks opgelei is; die oopbron-enjin Tesseract het byvoorbeeld 'n eie Hindi-model naas 'n algemene Devanagari-model.
Daarom is die keuse van Dokumenttaal vir Hindi belangriker as vir die meeste Europese tale. Met Engels gekies lewer 'n Hindi-bladsy onsin; met Hindi gekies verwag die enjin Devanagari-vorms, pas Hindi-spellingpatrone toe en skryf die resultaat in die korrekte Unicode-volgorde. Vir 'n breër oorsig van tale en uitvoer, kyk na die beeld-na-teks-omskakelaar.
Devanagari-kenmerke wat Hindi-beeld na teks moeiliker maak
| Kenmerk | Voorbeeld | Wat dit vir OCR beteken |
|---|---|---|
| Shirorekha (kopstreep) | हिन्दी | Letters in 'n woord is verbind, so die enjin lees die hele woordvorm in plaas van afsonderlike karakters |
| Matra wat eerste geskryf word | कि | Die i-teken ि word voor क geteken maar in Unicode daarna gestoor, so die visuele volgorde moet omgekeer word |
| Konjunkte met halant | क्ष, ज्ञ, द्ध | Twee konsonante plus die virama ् verskyn as een saamgesmelte vorm wat op drie kodepunte afgebeeld word |
| Nukta | ज़, फ़ | 'n Klein kolletjie onder die letter; lae resolusie of geraas laat dit maklik weg of voeg dit by |
| Anusvara en chandrabindu | हं, हँ | Piepklein tekens bo die kopstreep wat eerste vervaag in saamgeperste foto's |
| Devanagari-syfers | ०१२३ | Baie dokumente meng hulle met 0–9, en albei word soos gedruk behou |
Kruti Dev en ander ouer Hindi-lettertipes
Baie ouer Hindi-dokumente is getik in lettertipes soos Kruti Dev wat Devanagari-vorms op Engelse sleutelbordkodes plaas. Hulle lyk reg op die skerm maar is nie werklike Hindi-teks nie, so kopiëring, soek en speltoetsing misluk. OCR-uitvoer is altyd Unicode; as 'n tiktoets of kantoorsjabloon steeds Kruti Dev vereis, is 'n aparte Unicode-na-Kruti Dev-omskakeling nodig.
Akkurate Hindi-teks uit 'n foto of skandering kry
Klein tekens bepaal akkuraatheid in Hindi. 'n Nukta of 'n chandrabindu is net 'n paar piksels hoog, en dit verdwyn eerste in 'n onskerp of swaar saamgeperste foto. Skandeer teen 300 DPI of neem die foto sodat die bladsy die raam vul, en stuur die oorspronklike lêer eerder as 'n kopie wat deur 'n geselsprogram aangestuur is.
Maak bladsye reguit maak meer saak as gewoonlik, omdat 'n skewe kopstreep die lyn breek wat die enjin volg. Hou dit aan, en skakel Verbeter kontras aan vir verbleikte koerantpapier, ou regeringsvorms of foto's in dowwe lig. Laat Herken ook op geen vir bladsye wat net Hindi is; 'n tweede taal verlaag akkuraatheid effens wanneer dit nie nodig is nie.
Vrae oor Hindi-OCR
Kan Hindi-OCR 'n dokument lees wat in Kruti Dev getik is?
Ja. OCR lees die lettervorms wat op die bladsy gedruk is, nie die lettertipelêer daaragter nie, so 'n afdruk of skandering van 'n Kruti Dev-dokument word soos enige ander Hindi-teks herken. Die resultaat is standaard Unicode-Devanagari, nie Kruti Dev-toetsaanslae nie.
Waarom word Hindi-teks wat ek uit my PDF kopieer, lukrake Engelse letters?
Die PDF is met 'n ouer lettertipe gemaak wat Devanagari-vorms op Latynse karakterkodes stoor, so kopiëring gee vir jou die kodes, byvoorbeeld fgUnh in plaas van हिन्दी. As jy die bladsye deur OCR stuur, word daardie kodes geïgnoreer en word gelees wat sigbaar is. OCR PDF kan ook 'n korrekte tekslaag in die PDF terugsit.
Watter lettertipe moet ek gebruik om die uitgehaalde Hindi-teks te wys?
Enige Unicode-lettertipe met Devanagari-ondersteuning. Windows bevat Mangal en Nirmala UI, Macs en iPhones bevat ook Devanagari-lettertipes, en Google se Noto Sans Devanagari is gratis. As jy leë blokkies sien, gebruik die program 'n lettertipe sonder Devanagari, en nie 'n gebreekte lêer nie.
Kan dit handgeskrewe Hindi lees?
Stel Tekstipe op Handskrif vir netjiese handgeskrewe aantekeninge en vorms; resultate is growwer as vir druk en moet noukeurig nagelees word. Aaneengeskrewe, vinnige handskrif met 'n ongelyke kopstreep is die moeilikste geval.
Werk Hindi-OCR ook vir Marathi, Nepalees of Sanskrit?
Hierdie tale deel die Devanagari-skrif, so baie van die teks word herken, maar woordeskat en 'n paar letters verskil. Marathi het sy eie keuse onder Dokumenttaal, wat letters soos ळ beter hanteer; vir Nepalees en Sanskrit is Hindi die naaste opsie en is nalees belangriker.
