Hindijski OCR: slika v hindijsko besedilo
Naložite fotografijo, posnetek zaslona ali skeniran PDF s hindijskim besedilom in ga dobite nazaj kot Unicode devanagari, ki se brez težav prilepi v Word, WhatsApp, Google Docs ali obrazec. Jezik dokumenta je že nastavljen na hindijščino.
Slika v besedilo
ali spustite datoteke PDF, JPG, JPEG … sem ·
Največ 95 MB na datoteko· Do 20 datotek· Izbrisano po 30 minutah
Datoteke se obdelajo na naših strežnikih in izbrišejo po 30 minutah.
Za strani z mešanico dveh jezikov, npr. hindijščine z angleškimi besedami. Sicer pustite na brez; dodaten jezik nekoliko zmanjša natančnost.
Ohrani ohrani stolpce, odstavke in tabele na njihovih mestih. Navadno izpiše en sam neprekinjen blok besedila, ki ga je lažje prilepiti v obrazce.
Vnos PDF in večstranski TIFF: preberi vse strani, samo prvo ali obseg.
Strani za branje, npr. 1-3, 5, 8-10.
Kako uporabljati to orodje
- 1
Naložite stran v hindijščini
Dodajte slike JPG, PNG, HEIC ali TIFF oziroma PDF, do 20 datotek, vsaka do 95 MB. Najbolje se bere ostra, ravna fotografija strani, posneta pri dnevni svetlobi.
- 2
Dodajte angleščino, če stran vsebuje oba jezika
Jezik dokumenta je hindijščina. Če so na strani tudi angleške besede, imena ali kode, v razdelku Napredne nastavitve nastavite Prepoznaj tudi na angleščino; sicer pustite na brez.
- 3
Prepoznajte besedilo
Pritisnite Prepoznaj besedilo in prenesite datoteko .txt ali pa pred začetkom v razdelku Izhod izberite Word ali PDF z iskanjem po besedilu.
OCR za hindijščino mora brati vrstico, ne niza ločenih črk: zgornja črta povezuje vse znake v besedi, samoglasniški znaki so nad, pod in pred soglasniki, soglasniki pa se zlivajo v ligature.
Kako hindijski OCR bere pisavo devanagari
Hindijščina se piše v devanagariju, ki ga 343. člen indijske ustave določa kot pisavo uradnega jezika Unije. Unicode mu dodeljuje blok od U+0900 do U+097F, vsak sodoben telefon in računalnik pa ga zna prikazati in vnašati. Prepoznavanje s slike se razlikuje od branja latiničnega tiska, ker je pisava zgrajena drugače.
Besede visijo z neprekinjene zgornje črte, shirorekhe, zato se črke dotikajo in jih ni mogoče ločiti z iskanjem vrzeli. Samoglasniki za prvim so zapisani kot matre, pripete na soglasnik. Dva ali več soglasnikov brez samoglasnika vmes se zlije v ligaturo, kot so क्ष, त्र ali श्र. Sodobni mehanizmi OCR to rešujejo z branjem celih vrstic z nevronskimi mrežami, naučenimi na hindijskem besedilu; odprtokodni Tesseract na primer vsebuje poseben hindijski model poleg splošnega devanagarskega.
Zato je izbira Jezik dokumenta pri hindijščini pomembnejša kot pri večini evropskih jezikov. Če je izbrana angleščina, hindijska stran da nesmisel; pri izbrani hindijščini mehanizem pričakuje devanagarske oblike, uporablja hindijske vzorce črkovanja in rezultat zapiše v pravilnem vrstnem redu Unicode. Širši pregled jezikov in izhodov najdete pri pretvorniku slike v besedilo.
Značilnosti pisave devanagari, ki otežujejo pretvorbo hindijske slike v besedilo
| Značilnost | Primer | Kaj to pomeni za OCR |
|---|---|---|
| Shirorekha (zgornja črta) | हिन्दी | Črke v besedi so povezane, zato mehanizem bere obliko cele besede namesto posameznih znakov |
| Matra, zapisana prva | कि | Znak i ि je narisan pred क, v Unicode pa shranjen za njim, zato je treba vizualni vrstni red obrniti |
| Ligature s halantom | क्ष, ज्ञ, द्ध | Dva soglasnika in virama ् se pojavijo kot ena zlita oblika, ki ustreza trem kodnim točkam |
| Nukta | ज़, फ़ | Majhna pika pod črko; nizka ločljivost ali šum jo zlahka izbrišeta ali dodata |
| Anusvara in čandrabindu | हं, हँ | Drobni znaki nad zgornjo črto, ki se v stisnjenih fotografijah zameglijo prvi |
| Devanagarske števke | ०१२३ | Mnogi dokumenti jih mešajo z 0–9, obe vrsti pa se ohranita, kot sta natisnjeni |
Kruti Dev in druge starejše hindijske pisave
Mnogi starejši hindijski dokumenti so bili natipkani v pisavah, kot je Kruti Dev, ki devanagarske oblike postavijo na kode angleške tipkovnice. Na zaslonu so videti pravilno, vendar niso pravo hindijsko besedilo, zato kopiranje, iskanje in preverjanje črkovanja odpovedo. Izhod OCR je vedno Unicode; če preizkus tipkanja ali pisarniška predloga še vedno zahteva Kruti Dev, je potrebna ločena pretvorba iz Unicode v Kruti Dev.
Kako dobiti natančno hindijsko besedilo iz fotografije ali skena
O natančnosti v hindijščini odločajo drobni znaki. Nukta ali čandrabindu je visok le nekaj pikslov in v zamegljeni ali močno stisnjeni fotografiji prvi izgine. Skenirajte pri 300 DPI ali fotografirajte stran tako, da zapolni okvir, in pošljite izvirno datoteko, ne kopije, posredovane prek klepetalne aplikacije.
Poravnaj strani je pomembnejše kot običajno, ker nagnjena zgornja črta prekine vrstico, ki ji mehanizem sledi. Pustite vklopljeno, Izboljšaj kontrast pa vklopite za zbledel časopisni papir, stare državne obrazce ali fotografije pri slabi svetlobi. Prepoznaj tudi pustite na brez za strani samo v hindijščini; drugi jezik, kadar ni potreben, nekoliko zmanjša natančnost.
Vprašanja o hindijskem OCR
Ali hindijski OCR prebere dokument, natipkan v pisavi Kruti Dev?
Da. OCR bere oblike črk, natisnjene na strani, ne pa datoteke pisave za njimi, zato se natis ali skeniran dokument v pisavi Kruti Dev prepozna kot vsako drugo hindijsko besedilo. Rezultat je standardna devanagarska pisava Unicode, ne tipkanje v Kruti Dev.
Zakaj se hindijsko besedilo, kopirano iz PDF, spremeni v naključne angleške črke?
PDF je nastal s starejšo pisavo, ki shranjuje devanagarske oblike pod latinskimi kodami znakov, zato kopiranje da kode, na primer fgUnh namesto हिन्दी. OCR te kode prezre in prebere, kar je vidno. OCR PDF lahko v PDF vrne tudi pravilen besedilni sloj.
Katero pisavo naj uporabim za prikaz izvlečenega hindijskega besedila?
Katera koli pisava Unicode s podporo za devanagari. Windows vsebuje Mangal in Nirmala UI, tudi Mac in iPhone imata devanagarske pisave, Googlova Noto Sans Devanagari pa je brezplačna. Če vidite prazne kvadratke, aplikacija uporablja pisavo brez devanagarija, datoteka pa ni pokvarjena.
Ali prebere tudi rokopisno hindijščino?
Za čisto rokopisne zapiske in obrazce nastavite Vrsta besedila na rokopis; rezultati so slabši kot pri tisku in zahtevajo skrben pregled. Najtežji primer je povezan, hiter rokopis z neravno zgornjo črto.
Ali hindijski OCR deluje tudi za maratščino, nepalščino ali sanskrt?
Ti jeziki uporabljajo isto devanagarsko pisavo, zato se velik del besedila prepozna, vendar se besedišče in nekaj črk razlikuje. Maratščina ima v razdelku Jezik dokumenta svojo izbiro, ki bolje obravnava črke, kot je ळ; za nepalščino in sanskrt je hindijščina najbližja možnost, pregled besedila pa je pomembnejši.
