Hindi OCR: bild till hinditext

Hindi skrivs med devanagari, som artikel 343 i Indiens konstitution anger som skrift för unionens officiella språk. Unicode ger den blocket U+0900 till U+097F, och alla moderna telefoner och datorer kan visa och skriva den. Att känna igen den i en bild skiljer sig från att läsa latinsk text, eftersom skriften är uppbyggd på ett annat sätt.

Orden hänger under en sammanhängande topplinje, shirorekha, så bokstäverna rör vid varandra och kan inte delas upp genom att leta efter mellanrum. Vokaler efter den första skrivs som matras fästa vid konsonanten. Två eller fler konsonanter utan vokal emellan smälter ihop till en ligatur som क्ष, त्र eller श्र. Moderna OCR-motorer hanterar detta genom att läsa hela rader med neurala nätverk tränade på hinditext. Till exempel levereras öppna Tesseract med en särskild hindimodell vid sidan av en allmän devanagari-modell.

Därför spelar valet av Dokumentets språk större roll för hindi än för de flesta europeiska språk. Med engelska valt ger en hindisida nonsens. Med hindi valt förväntar sig motorn devanagari-former, använder hindis stavningsmönster och skriver resultatet i rätt Unicode-ordning. En bredare översikt över språk och utdata finns i bild till text.

Små tecken avgör träffsäkerheten i hindi. En nukta eller en chandrabindu är bara några pixlar hög och försvinner först i ett suddigt eller hårt komprimerat foto. Skanna med 300 DPI eller fotografera sidan så att den fyller bilden, och skicka originalfilen i stället för en kopia som vidarebefordrats via en chattapp.

Räta upp sidor är viktigare än vanligt, eftersom en lutande överlinje bryter raden som motorn följer. Låt det vara på, och slå på Förbättra kontrasten för bleknad tidningspapper, gamla myndighetsformulär eller foton tagna i svagt ljus. Låt Känn även igen stå på ingen för sidor som bara är på hindi, eftersom ett andra språk sänker träffsäkerheten något när det inte behövs.