Hindi OCR: képből hindi szöveg
Töltsön fel egy hindi szöveget tartalmazó fotót, képernyőképet vagy szkennelt PDF-et, és Unicode devanágari szövegként kapja vissza, amely hibátlanul beilleszthető Wordbe, WhatsAppba, Google Docsba vagy egy űrlapba. A Dokumentum nyelve már hindire van állítva.
Kép szöveggé
vagy húzza ide a(z) PDF, JPG, JPEG … fájlok fájlokat ·
Legfeljebb 95 MB fájlonként· Legfeljebb 20 fájl· Törlés 30 perc után
A fájlokat szervereinken dolgozzuk fel, és 30 perc után töröljük.
Két nyelvet keverő oldalakhoz, pl. hindi angol szavakkal. Egyébként hagyja a Nincs értéken; egy további nyelv kissé rontja a pontosságot.
A megőrzés az oszlopokat, bekezdéseket és táblázatokat a helyükön hagyja. Az egyszerű egyetlen folyamatos szövegblokkot ad, amelyet könnyebb űrlapokba másolni.
PDF és többoldalas TIFF bemenetnél: minden oldal, csak az első vagy egy tartomány olvasása.
A beolvasandó oldalak, pl. 1-3, 5, 8-10.
Az eszköz használata
- 1
Töltse fel a hindi oldalt
Adjon hozzá JPG, PNG, HEIC vagy TIFF képeket, illetve egy PDF-et: legfeljebb 20 fájlt, fájlonként legfeljebb 95 MB-ot. A legjobb eredményt az oldalról nappali fényben készített éles, egyenes fotó adja.
- 2
Adja hozzá az angolt, ha az oldal mindkét nyelvet tartalmazza
A Dokumentum nyelve legyen hindi. Ha az oldalon angol szavak, nevek vagy kódok is szerepelnek, a Speciális beállítások alatt állítsa a Felismerés ezen a nyelven is értékét angolra; egyébként hagyja a „nincs” beállításon.
- 3
Szövegfelismerés indítása
Nyomja meg a Szövegfelismerés gombot, és töltse le a .txt fájlt, vagy indítás előtt válassza a Wordöt vagy a kereshető PDF-et a Kimenet alatt.
A hindi OCR-nek egy sort kell olvasnia, nem különálló betűk füzérét: a felső vonal egy szó minden karakterét összeköti, az magánhangzójelek a mássalhangzók fölött, alatt és előtt állnak, a mássalhangzók pedig ligatúrákká olvadnak.
Hogyan olvassa a hindi OCR a devanágari írást
A hindit devanagari írással írják, amelyet az Indiai Alkotmány 343. cikke az Unió hivatalos nyelvének írásaként nevez meg. A Unicode az U+0900–U+097F blokkot rendeli hozzá, és minden modern telefon és számítógép meg tudja jeleníteni és be tudja írni. Képről felismerni más dolog, mint latin nyomtatott szöveget olvasni, mert az írás felépítése eltérő.
A szavak egy folytonos felső vonalról, a shirorekháról lógnak le, így a betűk érintkeznek, és nem lehet réseket keresve szétvágni őket. Az első utáni magánhangzókat a mássalhangzóhoz kapcsolódó matrák jelölik. Két vagy több, magánhangzó nélküli mássalhangzó ligatúrává olvad, például क्ष, त्र vagy श्र. A modern OCR-motorok ezt egész sorok olvasásával oldják meg, hindi szövegeken tanított neurális hálókkal; a nyílt forráskódú Tesseract például külön hindi modellt tartalmaz az általános devanagari mellett.
Ezért a Dokumentum nyelve hindinél fontosabb, mint a legtöbb európai nyelvnél. Angolt választva egy hindi oldalból értelmetlenség lesz; hindit választva a motor devanagari alakokat vár, hindi helyesírási mintákat alkalmaz, és a helyes Unicode sorrendben írja ki az eredményt. A nyelvek és kimenetek átfogóbb áttekintéséhez lásd a kép szöveggé alakítása oldalt.
A devanágari írás sajátosságai, amelyek megnehezítik a hindi szöveg kinyerését képből
| Jellemző | Példa | Mit jelent az OCR számára |
|---|---|---|
| Shirorekha (felső vonal) | हिन्दी | A szó betűi össze vannak kötve, ezért a motor az egész szóalakot olvassa, nem különálló karaktereket |
| Elöl írt matra | कि | Az i-jel (ि) a क előtt látszik, de a Unicode-ban utána tárolódik, ezért a vizuális sorrendet meg kell fordítani |
| Ligatúrák halanttal | क्ष, ज्ञ, द्ध | Két mássalhangzó és a virama (्) egyetlen összeolvadt alakként jelenik meg, amely három kódpontnak felel meg |
| Nukta | ज़, फ़ | Kis pont a betű alatt; alacsony felbontásnál vagy zajnál könnyen elvész vagy hozzáadódik |
| Anuszvára és candrabindu | हं, हँ | Apró jelek a felső vonal fölött, amelyek tömörített fotókon elmosódnak először |
| Devanagari számjegyek | ०१२३ | Sok dokumentum keveri őket a 0–9 számjegyekkel, és mindkettő úgy marad, ahogy nyomtatva van |
Kruti Dev és más régi hindi betűtípusok
Sok régebbi hindi dokumentumot olyan betűtípussal gépeltek, mint a Kruti Dev, amely a devanagari alakokat angol billentyűkódokra helyezi. A képernyőn jól néznek ki, de nem valódi hindi szöveg, ezért a másolás, a keresés és a helyesírás-ellenőrzés nem működik. Az OCR kimenete mindig Unicode; ha egy gépelési vizsga vagy irodai sablon még Kruti Dev-et követel, ahhoz külön Unicode–Kruti Dev átalakítás kell.
Pontos hindi szöveg kinyerése fotóból vagy szkennelt képből
A hindinél a kis jelek döntenek a pontosságról. A nukta vagy a candrabindu csak néhány pixel magas, és elmosódott vagy erősen tömörített fotón ez tűnik el először. Szkenneljen 300 DPI-vel, vagy úgy fotózza az oldalt, hogy kitöltse a képet, és az eredeti fájlt küldje, ne egy csevegőalkalmazáson továbbított másolatot.
Az Oldalak kiegyenesítése a szokásosnál fontosabb, mert a megdőlt felső vonal megtöri a sort, amelyet a motor követ. Hagyja bekapcsolva, és a Kontraszt javítása funkciót kapcsolja be kifakult újságpapírhoz, régi hivatalos űrlapokhoz vagy gyenge fényben készült fotókhoz. A Felismerés ezen a nyelven is maradjon „nincs” a csak hindi oldalaknál; felesleges második nyelv kissé rontja a pontosságot.
Kérdések a hindi OCR-ről
Fel tudja ismerni a hindi OCR a Kruti Dev betűtípussal gépelt dokumentumot?
Igen. Az OCR az oldalra nyomtatott betűalakokat olvassa, nem a mögöttük lévő betűtípusfájlt, ezért a Kruti Dev dokumentumok nyomtatványát vagy szkennelt változatát ugyanúgy felismeri, mint bármely más hindi szöveget. Az eredmény szabványos Unicode devanagari szöveg, nem Kruti Dev billentyűleütések.
Miért alakul át értelmetlen angol betűkké a PDF-ből kimásolt hindi szöveg?
A PDF olyan régi betűtípussal készült, amely a devanagari alakokat latin karakterkódokon tárolja, ezért másoláskor a kódokat kapja, például a „हिन्दी” helyett azt, hogy fgUnh. Az OCR figyelmen kívül hagyja ezeket a kódokat, és azt olvassa, ami látszik. Az OCR PDF a PDF-be helyes szövegréteget is visszatehet.
Milyen betűtípussal jelenítsem meg a kinyert hindi szöveget?
Bármely devanagari támogatású Unicode betűtípus. A Windows tartalmazza a Mangal és a Nirmala UI fontot, a Mac és az iPhone is rendelkezik devanagari betűtípusokkal, a Google Noto Sans Devanagari pedig ingyenes. Ha üres négyzeteket lát, az alkalmazás devanagari nélküli betűtípust használ, nem sérült a fájl.
Fel tudja ismerni a kézzel írt hindi szöveget?
Rendezett kézírású jegyzeteknél és űrlapoknál állítsa a Szöveg típusa értékét kézírásra; az eredmény nyomtatott szövegnél pontatlanabb, gondos átolvasást igényel. A legnehezebb eset a gyors, összefüggő kézírás egyenetlen felső vonallal.
Működik a hindi OCR marathi, nepáli vagy szanszkrit szövegre is?
Ezek a nyelvek ugyanazt a devanagari írást használják, ezért a szöveg nagy részét felismeri, de a szókincs és néhány betű eltér. A marathinak külön választási lehetősége van a Dokumentum nyelve alatt, ami jobban kezeli az olyan betűket, mint az ळ; nepálihoz és szanszkrithoz a hindi a legközelebbi opció, és fontosabb az átolvasás.
