Hindi OCR: billede til hinditekst

Hindi skrives med devanagari, som artikel 343 i Indiens forfatning angiver som skrift for Unionens officielle sprog. Unicode har tildelt den blokken U+0900 til U+097F, og alle moderne telefoner og computere kan vise og skrive den. At genkende den fra et billede er noget andet end at læse latinsk tryk, fordi skriften er bygget anderledes.

Ord hænger under en sammenhængende topstreg, shirorekha, så bogstaverne rører hinanden og ikke kan adskilles ved at lede efter mellemrum. Vokaler efter den første skrives som matraer, der hænger på konsonanten. To eller flere konsonanter uden vokal imellem smelter sammen til en ligatur som क्ष, त्र eller श्र. Moderne OCR-motorer løser det ved at læse hele linjer med neurale netværk trænet på hindi-tekst; den open source-baserede Tesseract-motor leveres for eksempel med en dedikeret hindi-model ved siden af en generel devanagari-model.

Derfor betyder valget af Dokumentets sprog mere for hindi end for de fleste europæiske sprog. Med engelsk valgt giver en hindi-side volapyk; med hindi valgt forventer motoren devanagari-former, bruger hindis stavemønstre og skriver resultatet i korrekt Unicode-rækkefølge. For et bredere overblik over sprog og resultater, se billede til tekst-konverteren.

Små tegn afgør nøjagtigheden i hindi. En nukta eller en chandrabindu er kun få pixel høj og er det første, der forsvinder i et sløret eller kraftigt komprimeret foto. Scan i 300 DPI, eller fotografér siden, så den fylder billedet, og send originalfilen frem for en kopi videresendt via en chat-app.

Ret sider op betyder mere end normalt, fordi en skæv overlinje bryder den linje, motoren følger. Lad den være slået til, og slå Forbedr kontrast til for falmet avispapir, gamle offentlige blanketter eller fotos taget i dårligt lys. Lad Genkend også stå på ingen for sider, der kun er på hindi; et ekstra sprog sænker nøjagtigheden lidt, når det ikke er nødvendigt.