Hindi OCR: bilde til hinditekst
Last opp et bilde, en skjermdump eller en skannet PDF med hinditekst, og få den tilbake som Unicode-devanagari som limes rent inn i Word, WhatsApp, Google Docs eller et skjema. Dokumentspråk er allerede satt til hindi.
Bilde til tekst
eller slipp PDF, JPG, JPEG …-filer her ·
Maks 95 MB per fil· Opptil 20 filer· Slettes etter 30 minutter
Filene behandles på serverne våre og slettes etter 30 minutter.
For sider som blander to språk, f.eks. hindi med engelske ord. La stå på ingen ellers, siden et ekstra språk senker treffsikkerheten litt.
Bevar beholder spalter, avsnitt og tabeller der de var. Ren gir én sammenhengende tekstblokk som er enklere å lime inn i skjemaer.
For PDF og TIFF med flere sider: les alle sider, bare den første, eller et område.
Sider som skal leses, f.eks. 1-3, 5, 8-10.
Slik bruker du dette verktøyet
- 1
Last opp hindisiden
Legg til JPG-, PNG-, HEIC- eller TIFF-bilder eller en PDF, opptil 20 filer på opptil 95 MB hver. Et skarpt, rett bilde av siden tatt i dagslys gir best resultat.
- 2
Legg til engelsk hvis siden blander begge
Dokumentspråk er hindi. Hvis siden også har engelske ord, navn eller koder, setter du Gjenkjenn også til engelsk under Avanserte innstillinger. Ellers lar du den stå på ingen.
- 3
Gjenkjenn tekst
Trykk på Gjenkjenn tekst og last ned .txt-filen, eller velg Word eller en søkbar PDF under Utdata før du starter.
OCR for hindi må lese en linje, ikke en rekke enkeltbokstaver: overstreken binder sammen alle tegnene i et ord, vokaltegn står over, under og foran konsonanter, og konsonanter smelter sammen til ligaturer.
Slik leser hindi OCR devanagari-skrift
Hindi skrives med devanagari, som artikkel 343 i Indias grunnlov angir som skrift for Unionens offisielle språk. Unicode har gitt den blokken U+0900 til U+097F, og alle moderne telefoner og datamaskiner kan vise og skrive den. Å gjenkjenne den fra et bilde er noe annet enn å lese latinsk trykk, fordi skriften er bygget annerledes.
Ord henger under en sammenhengende toppstrek, shirorekha, så bokstavene berører hverandre og kan ikke deles ved å lete etter mellomrom. Vokaler etter den første skrives som matraer festet til konsonanten. To eller flere konsonanter uten vokal imellom smelter sammen til en ligatur som क्ष, त्र eller श्र. Moderne OCR-motorer løser dette ved å lese hele linjer med nevrale nettverk trent på hindi-tekst. Åpen kildekode-motoren Tesseract har for eksempel en egen hindi-modell ved siden av en generell devanagari-modell.
Derfor er valget av Dokumentspråk viktigere for hindi enn for de fleste europeiske språk. Med engelsk valgt gir en hindi-side bare vrøvl. Med hindi valgt forventer motoren devanagari-former, bruker hindi-stavemønstre og skriver resultatet i riktig Unicode-rekkefølge. For en bredere oversikt over språk og utdataformater, se bilde til tekst.
Trekk ved devanagari som gjør hindi bilde til tekst vanskeligere
| Egenskap | Eksempel | Hva det betyr for OCR |
|---|---|---|
| Shirorekha (overstrek) | हिन्दी | Bokstavene i et ord henger sammen, så motoren leser hele ordformen i stedet for enkeltstående tegn |
| Matra skrevet først | कि | i-tegnet ि tegnes før क, men lagres etter det i Unicode, så den visuelle rekkefølgen må snus |
| Ligaturer med halant | क्ष, ज्ञ, द्ध | To konsonanter pluss virama ् vises som én sammensmeltet form som tilsvarer tre kodepunkter |
| Nukta | ज़, फ़ | En liten prikk under bokstaven. Lav oppløsning eller støy kan lett fjerne eller legge til den |
| Anusvara og chandrabindu | हं, हँ | Bittesmå tegn over overstreken som blir uskarpe først i komprimerte bilder |
| Devanagari-sifre | ०१२३ | Mange dokumenter blander dem med 0–9, og begge beholdes slik de er trykt |
Kruti Dev og andre eldre hindifonter
Mange eldre hindi-dokumenter ble skrevet i skrifter som Kruti Dev, som legger devanagari-former på engelske tastaturkoder. De ser riktige ut på skjermen, men er ikke ekte hindi-tekst, så kopiering, søk og stavekontroll fungerer ikke. OCR-utdata er alltid Unicode. Hvis en skrivetest eller en kontormal fortsatt krever Kruti Dev, trengs en egen konvertering fra Unicode til Kruti Dev.
Slik får du nøyaktig hinditekst fra et bilde eller en skanning
Små tegn avgjør nøyaktigheten i hindi. En nukta eller en chandrabindu er bare noen få piksler høy, og det er det første som forsvinner i et uskarpt eller sterkt komprimert bilde. Skann med 300 DPI eller fotografer siden slik at den fyller bildet, og send originalfilen i stedet for en kopi videresendt via en chat-app.
Rett opp sider er viktigere enn vanlig, fordi en skjev overstrek bryter linjen motoren følger. La den stå på, og slå på Forbedre kontrast for falmet avispapir, gamle offentlige skjemaer eller bilder tatt i svakt lys. La Gjenkjenn også stå på ingen for sider som kun er på hindi. Et ekstra språk senker nøyaktigheten litt når det ikke trengs.
Spørsmål om hindi OCR
Kan hindi OCR lese et dokument som er skrevet med Kruti Dev?
Ja. OCR leser bokstavformene som er trykt på siden, ikke skriftfilen bak dem, så en utskrift eller skanning av et Kruti Dev-dokument gjenkjennes som all annen hindi-tekst. Resultatet er standard Unicode-devanagari, ikke Kruti Dev-tastetrykk.
Hvorfor blir hinditekst jeg kopierer fra PDF-en til tilfeldige engelske bokstaver?
PDF-en ble laget med en eldre skrift som lagrer devanagari-former på latinske tegnkoder, så når du kopierer, får du kodene, for eksempel fgUnh i stedet for हिन्दी. Når sidene kjøres gjennom OCR, ignoreres kodene, og det som er synlig, blir lest. OCR PDF kan også legge et riktig tekstlag tilbake i PDF-en.
Hvilken font bør jeg bruke for å vise den uttrukne hinditeksten?
Alle Unicode-skrifter med støtte for devanagari. Windows har Mangal og Nirmala UI, Mac og iPhone har også devanagari-skrifter, og Googles Noto Sans Devanagari er gratis. Hvis du ser tomme bokser, bruker appen en skrift uten devanagari, og det er ikke en ødelagt fil.
Kan den lese håndskrevet hindi?
Sett Teksttype til Håndskrift for ryddige håndskrevne notater og skjemaer. Resultatene er grovere enn for trykt tekst og må korrekturleses nøye. Sammenhengende, rask håndskrift med ujevn overstrek er det vanskeligste tilfellet.
Fungerer hindi OCR også for marathi, nepali eller sanskrit?
Disse språkene bruker samme devanagari-skrift, så mye av teksten gjenkjennes, men ordforråd og noen bokstaver er forskjellige. Marathi har eget valg under Dokumentspråk, som håndterer bokstaver som ळ bedre. For nepali og sanskrit er hindi det nærmeste alternativet, og korrekturlesing er viktigere.
