Hindí OCR: mynd í hindí-texta
Hladdu upp ljósmynd, skjámynd eða skannaðri PDF-skrá með hindí-texta og fáðu hann til baka sem Unicode-devanagari sem límist hreint inn í Word, WhatsApp, Google Docs eða eyðublað. Tungumál skjals er þegar stillt á hindí.
Image to Text
eða slepptu PDF, JPG, JPEG … skrár hér ·
Að hámarki 95 MB á skrá· Allt að 20 skrár· Eytt eftir 30 mínútur
Skrár eru unnar á þjónum okkar og eytt eftir 30 mínútur.
Fyrir síður sem blanda tveimur tungumálum, t.d. hindí með enskum orðum. Hafðu á „Ekkert“ annars; aukatungumál lækkar nákvæmnina lítillega.
Halda uppsetningu heldur dálkum, málsgreinum og töflum á sínum stað. Hreinn texti skilar einni samfelldri textablokk sem er auðveldara að líma í eyðublöð.
Fyrir PDF og TIFF með mörgum síðum: lesa allar síður, aðeins fyrstu eða tiltekið bil.
Síður sem á að lesa, t.d. 1-3, 5, 8-10.
Hvernig á að nota tólið
- 1
Hladdu upp síðunni á hindí
Bættu við JPG-, PNG-, HEIC- eða TIFF-myndum eða PDF-skrá, allt að 20 skrám sem eru hver um sig allt að 95 MB. Skörp og bein mynd af síðunni í dagsbirtu skilar bestum árangri.
- 2
Bættu ensku við ef síðan blandar báðum tungumálum
Tungumál skjals er hindí. Ef síðan inniheldur líka ensk orð, nöfn eða kóða skaltu stilla Greina einnig á ensku undir Ítarlegar stillingar; annars skaltu láta það vera á engu.
- 3
Greindu textann
Ýttu á Greina texta og sæktu .txt-skrána, eða veldu Word eða leitarhæfa PDF-skrá undir Úttak áður en þú byrjar.
Hindí-OCR þarf að lesa línu, ekki röð stakra stafa: yfirlínan tengir alla stafi í orði, sérhljóðatákn eru fyrir ofan, neðan og á undan samhljóðum og samhljóðar renna saman í samstæður.
Hvernig hindí OCR les devanagari-letur
Hindí er skrifað með devanagari-letri, sem 343. grein stjórnarskrár Indlands tilgreinir sem letur opinbers tungumáls ríkisins. Unicode úthlutar því blokkinni U+0900 til U+097F og allir nútímasímar og tölvur geta birt það og slegið inn. Að greina það af mynd er annað en að lesa latneskt letur, því letrið er byggt upp á annan hátt.
Orð hanga í samfelldri efri línu, shirorekha, þannig að stafir snertast og ekki er hægt að skipta þeim upp með því að leita að bilum. Sérhljóð á eftir því fyrsta eru skrifuð sem matra sem festist við samhljóðið. Tveir eða fleiri samhljóðar án sérhljóðs á milli renna saman í samstæðu eins og क्ष, त्र eða श्र. Nútíma OCR-vélar leysa þetta með því að lesa heilar línur með tauganetum sem eru þjálfuð á hindí-texta; opna vélin Tesseract inniheldur til dæmis sérstakt hindí-líkan auk almenns devanagari-líkans.
Þess vegna skiptir val á Tungumáli skjals meira máli fyrir hindí en fyrir flest evrópsk tungumál. Ef enska er valin skilar hindí-síða bulli; ef hindí er valið býst vélin við devanagari-formum, beitir hindí-stafsetningarmynstrum og skrifar niðurstöðuna í réttri Unicode-röð. Til að fá víðara yfirlit yfir tungumál og úttak, sjá mynd í texta.
Einkenni devanagari sem gera hindí mynd í texta erfiðari
| Einkenni | Dæmi | Hvað það þýðir fyrir OCR |
|---|---|---|
| Shirorekha (yfirlína) | हिन्दी | Stafir í orði eru tengdir, því vélin les heildarlögun orðsins í stað stakra stafa |
| Matra skrifað fyrst | कि | i-táknið ि er teiknað á undan क en geymt á eftir því í Unicode, því þarf að snúa sjónrænni röð við |
| Samstæður með halant | क्ष, ज्ञ, द्ध | Tveir samhljóðar auk virama ् birtast sem eitt samrunnið form sem svarar til þriggja kóðapunkta |
| Nukta | ज़, फ़ | Lítill punktur undir stafnum; lág upplausn eða suð fellir hann auðveldlega burt eða bætir honum við |
| Anusvara og chandrabindu | हं, हँ | Örsmá tákn fyrir ofan yfirlínuna sem máast fyrst út í þjöppuðum myndum |
| Devanagari-tölustafir | ०१२३ | Mörg skjöl blanda þeim saman við 0–9 og hvort tveggja er haldið eins og það er prentað |
Kruti Dev og önnur eldri hindí-letur
Mörg eldri hindí-skjöl voru skrifuð með letri eins og Kruti Dev, sem setur devanagari-form á kóða enska lyklaborðsins. Þau líta rétt út á skjá en eru ekki raunverulegur hindí-texti, þannig að afritun, leit og stafsetningarpróf virka ekki. Úttak OCR er alltaf Unicode; ef vélritunarpróf eða skrifstofusniðmát krefst enn Kruti Dev þarf sérstaka umbreytingu úr Unicode í Kruti Dev.
Nákvæmur hindí-texti úr ljósmynd eða skönnun
Smáatriði ráða nákvæmninni í hindí. Nukta eða chandrabindu er aðeins nokkrir pixlar á hæð og hverfur fyrst í óskýrri eða mikið þjappaðri mynd. Skannaðu í 300 DPI eða taktu mynd þannig að síðan fylli rammann og sendu upprunalegu skrána frekar en afrit sem hefur farið í gegnum spjallforrit.
Rétta síður skiptir meira máli en venjulega, því hallandi yfirlína rýfur línuna sem vélin fylgir. Hafðu það á og kveiktu á Auka birtuskil fyrir upplituð dagblöð, gömul opinber eyðublöð eða myndir teknar í daufri birtu. Láttu Greina einnig vera á engu fyrir síður sem eru eingöngu á hindí; annað tungumál dregur lítillega úr nákvæmni þegar þess er ekki þörf.
Spurningar um hindí OCR
Getur hindí OCR lesið skjal sem var skrifað með Kruti Dev?
Já. OCR les lögun stafanna sem eru prentaðir á síðunni, ekki leturskrána á bak við þá, þannig að útprentun eða skönnun af Kruti Dev-skjali er greind eins og annar hindí-texti. Niðurstaðan er hefðbundinn Unicode-texti í devanagari-letri, ekki Kruti Dev-lyklaborðsslög.
Hvers vegna verður hindí-texti sem ég afrita úr PDF-skránni minni að handahófskenndum enskum stöfum?
PDF-skráin var gerð með eldra letri sem geymir devanagari-form á latneskum stafakóðum, þannig að afritun skilar kóðunum, til dæmis fgUnh í stað हिन्दी. OCR sleppir þessum kóðum og les það sem sést. OCR PDF getur líka sett réttan textalag aftur inn í PDF-skrána.
Hvaða letur ætti ég að nota til að birta hindí-textann sem var greindur?
Hvaða Unicode-letur sem er með stuðning við devanagari. Windows inniheldur Mangal og Nirmala UI, Mac-tölvur og iPhone eru einnig með devanagari-letur og Noto Sans Devanagari frá Google er ókeypis. Ef þú sérð auða kassa notar forritið letur án devanagari, skráin er ekki biluð.
Getur það lesið handskrifaða hindí?
Stilltu Gerð texta á handskrift fyrir snyrtilegar handskrifaðar glósur og eyðublöð; niðurstöður eru grófari en fyrir prentaðan texta og þarfnast vandlegs yfirlesturs. Samtengd, hröð handskrift með ójafnri yfirlínu er erfiðasta tilvikið.
Virkar hindí OCR líka fyrir marathí, nepalí eða sanskrít?
Þessi tungumál nota sama devanagari-letur, því er stór hluti textans greindur, en orðaforði og nokkrir stafir eru ólíkir. Maratí hefur sérstakan valkost undir Tungumál skjals sem meðhöndlar stafi eins og ळ betur; fyrir nepölsku og sanskrít er hindí næsti kostur og yfirlestur skiptir meira máli.
