Hindi OCR: şəkildən hindi mətnə
Hindi mətni olan foto, ekran görüntüsü və ya skan edilmiş PDF yükləyin və onu Word, WhatsApp, Google Docs və ya formaya təmiz yapışan Unicode Devanaqari mətni kimi geri alın. Sənədin dili artıq hindi dilinə təyin olunub.
Şəkildən mətnə
və ya PDF, JPG, JPEG … faylları bura sürüşdürün ·
Hər fayl üçün maks. 95 MB· 20 fayla qədər· 30 dəqiqədən sonra silinir
Fayllar serverlərimizdə emal olunur və 30 dəqiqədən sonra silinir.
İki dilin qarışdığı səhifələr üçün, məsələn, ingilis sözləri olan hind mətni. Əks halda "Yoxdur" qoyun; əlavə dil dəqiqliyi bir qədər azaldır.
Saxla rejimi sütunları, abzasları və cədvəlləri yerində saxlayır. Sadə rejim vahid mətn bloku verir, formalara yapışdırmaq daha asandır.
PDF və çoxsəhifəli TIFF girişi: bütün səhifələri, yalnız birincini və ya aralığı oxuyun.
Oxunacaq səhifələr, məsələn, 1-3, 5, 8-10.
Bu alətdən necə istifadə etməli
- 1
Hindi səhifəni yükləyin
JPG, PNG, HEIC və ya TIFF şəkillərini ya da PDF əlavə edin: ən çoxu 20 fayl, hər biri 95 MB-a qədər. Səhifənin gün işığında çəkilmiş aydın və düz fotosu ən yaxşı oxunur.
- 2
Səhifədə hər iki dil varsa, ingilis dilini əlavə edin
Sənədin dili hind dilidir. Səhifədə ingilis sözləri, adlar və ya kodlar da varsa, Əlavə ayarlar bölməsində Bunu da tanı seçimini İngilis dilinə qoyun; əks halda heç biri seçilməsin.
- 3
Mətni tanıyın
Mətni tanı düyməsini basın və .txt faylını endirin, ya da başlamazdan əvvəl Nəticə bölməsindən Word və ya axtarıla bilən PDF seçin.
Hind dili OCR-ı ayrı hərflər sırasını yox, bütöv sətri oxumalıdır: üst xətt sözdəki bütün simvolları birləşdirir, saitlərin işarələri samitlərin üstündə, altında və qarşısında yerləşir, samitlər isə birləşərək ligaturlar əmələ gətirir.
Hindi OCR Devanaqari yazısını necə oxuyur
Hind dili Devanaqari əlifbası ilə yazılır; Hindistan Konstitusiyasının 343-cü maddəsi onu Birliyin rəsmi dilinin əlifbası kimi göstərir. Unicode ona U+0900–U+097F blokunu ayırıb, hər müasir telefon və kompüter onu göstərə və yaza bilir. Şəkildən tanımaq latın çapını oxumaqdan fərqlidir, çünki əlifba başqa cür qurulub.
Sözlər fasiləsiz üst xəttdən, şirorexadan asılır, ona görə hərflər bir-birinə toxunur və boşluqlara baxıb onları ayırmaq olmur. İlk saitdən sonrakı saitlər samitə bitişən matralar kimi yazılır. Arasında sait olmayan iki və ya daha çox samit क्ष, त्र və ya श्र kimi ligaturda birləşir. Müasir OCR mühərrikləri bunu hind mətnləri üzərində öyrədilmiş neyron şəbəkələrlə bütöv sətirləri oxumaqla həll edir; məsələn, açıq mənbəli Tesseract ümumi Devanaqari modeli ilə yanaşı xüsusi hind modeli də təqdim edir.
Buna görə hind dili üçün Sənədin dili seçimi əksər Avropa dillərinə nisbətən daha vacibdir. İngilis dili seçiləndə hind səhifəsindən mənasız mətn çıxır; hind dili seçiləndə isə mühərrik Devanaqari formalarını gözləyir, hind yazı qaydalarını tətbiq edir və nəticəni düzgün Unicode sırası ilə yazır. Dillər və nəticələr haqqında ümumi məlumat üçün şəkildən mətnə çevirici səhifəsinə baxın.
Hindi şəkildən mətnə çevirməyi çətinləşdirən Devanaqari xüsusiyyətləri
| Xüsusiyyət | Nümunə | OCR üçün mənası |
|---|---|---|
| Şirorexa (üst xətt) | हिन्दी | Sözdəki hərflər birləşib, ona görə mühərrik ayrıca simvolları yox, bütöv söz formasını oxuyur |
| Əvvəl yazılan matra | कि | İ işarəsi ि क-dan əvvəl çəkilir, lakin Unicode-da ondan sonra saxlanır, ona görə görünən sıra tərsinə çevrilməlidir |
| Halantlı ligaturlar | क्ष, ज्ञ, द्ध | İki samit və virama ् üç kod nöqtəsinə uyğun gələn bir birləşmiş forma kimi görünür |
| Nukta | ज़, फ़ | Hərfin altında kiçik nöqtə; aşağı ayırdetmə və ya səs-küy onu asanlıqla itirir və ya əlavə edir |
| Anusvara və çandrabindu | हं, हँ | Üst xəttin üstündəki xırda işarələr sıxılmış fotolarda ilk bulanır |
| Devanaqari rəqəmləri | ०१२३ | Bir çox sənəddə onlar 0–9 ilə qarışıq işlədilir və hər ikisi çap olunduğu kimi saxlanır |
Kruti Dev və digər köhnə hindi şriftləri
Köhnə hind sənədlərinin çoxu Devanaqari formalarını ingilis klaviatura kodlarına yerləşdirən Kruti Dev kimi şriftlərlə yığılıb. Ekranda düzgün görünürlər, amma həqiqi hind mətni deyil, ona görə kopyalama, axtarış və orfoqrafiya yoxlaması işləmir. OCR nəticəsi həmişə Unicode-dur; yazı testi və ya ofis şablonu hələ də Kruti Dev tələb edirsə, bunun üçün ayrıca Unicode-dan Kruti Dev-ə çevirmə lazımdır.
Foto və ya skandan dəqiq hindi mətni necə almaq olar
Hind dilində dəqiqliyi kiçik işarələr müəyyən edir. Nukta və ya çandrabindu cəmi bir neçə piksel hündürlüyündədir və bulanıq ya güclü sıxılmış fotoda ilk itən odur. 300 DPI ilə skan edin və ya səhifəni kadrı dolduracaq şəkildə çəkin, söhbət tətbiqi ilə yönləndirilmiş nüsxəni yox, orijinal faylı göndərin.
Səhifələri düzəlt adi haldan daha vacibdir, çünki əyri üst xətt mühərrikin izlədiyi sətri pozur. Onu açıq saxlayın, solğun qəzet kağızı, köhnə dövlət blankları və ya zəif işıqda çəkilmiş fotolar üçün isə Kontrastı artır seçimini aktiv edin. Yalnız hind dilində olan səhifələrdə Bunu da tanı seçimini heç birinə qoyun; lazımsız ikinci dil dəqiqliyi bir az azaldır.
Hindi OCR ilə bağlı suallar
Hindi OCR Kruti Dev ilə yığılmış sənədi oxuya bilirmi?
Bəli. OCR səhifədə çap olunmuş hərf formalarını oxuyur, onların arxasındakı şrift faylını yox. Ona görə Kruti Dev sənədinin çap nüsxəsi və ya skanı hər hansı digər hind mətni kimi tanınır. Nəticə standart Unicode Devanaqari mətnidir, Kruti Dev düymə kodları deyil.
PDF-dən kopyaladığım hindi mətni niyə təsadüfi ingilis hərflərinə çevrilir?
PDF Devanaqari formalarını latın simvol kodlarında saxlayan köhnə şriftlə hazırlanıb, ona görə kopyalayanda हिन्दी əvəzinə fgUnh kimi kodlar alırsınız. Səhifələri OCR-dan keçirdikdə bu kodlar nəzərə alınmır və görünən mətn oxunur. OCR PDF PDF-ə düzgün mətn qatını da geri qoya bilər.
Çıxarılan hindi mətnini göstərmək üçün hansı şriftdən istifadə etməliyəm?
Devanaqari dəstəkləyən istənilən Unicode şrifti. Windows-da Mangal və Nirmala UI var, Mac və iPhone cihazlarında da Devanaqari şriftləri var, Google-un Noto Sans Devanagari şrifti isə pulsuzdur. Boş kvadratlar görürsünüzsə, fayl xarab deyil, proqram Devanaqari olmayan şrift işlədir.
Əl ilə yazılmış hindi mətnini oxuya bilirmi?
Səliqəli əlyazma qeydlər və formalar üçün Mətnin növü seçimini Əlyazma edin; nəticələr çap mətnə nisbətən qüsurlu olur və diqqətlə yoxlanmalıdır. Bitişik, tez yazılmış və qeyri-bərabər üst xətli əlyazma ən çətin haldır.
Hindi OCR marathi, nepal və ya sanskrit dilləri üçün də işləyirmi?
Bu dillər Devanaqari əlifbasını paylaşır, ona görə mətnin böyük hissəsi tanınır, lakin lüğət və bəzi hərflər fərqlənir. Sənədin dili bölməsində maratxi dili ayrıca seçimdir və ळ kimi hərfləri daha yaxşı tanıyır; nepal və sanskrit üçün hind dili ən yaxın seçimdir, yoxlama isə daha vacibdir.
