印地语OCR：图片转印地语文字

印地语使用天城文书写，《印度宪法》第 343 条把它定为联邦官方语言的文字。Unicode 为它分配了 U+0900 至 U+097F 区段，现在的手机和电脑都能显示和输入。不过从图片中识别它与读取拉丁字母印刷体不同，因为这种文字的构造不一样。

单词悬挂在一条连续的顶线（shirorekha）下，字母彼此相连，不能靠寻找空隙来切分。首个元音之后的元音写成依附在辅音上的符号（matra）。两个或更多辅音之间没有元音时会合并成合体字，如 क्ष、त्र 或 श्र。现代 OCR 引擎用基于印地语文本训练的神经网络整行识别来应对；例如开源的 Tesseract 引擎除了通用天城文模型，还提供专门的印地语模型。

所以对印地语来说，选对文档语言比大多数欧洲语言更重要。选英语时，印地语页面会识别出乱码；选印地语时，引擎会按天城文字形识别，套用印地语拼写规律，并按正确的 Unicode 顺序输出。想了解更多语言和输出方式，请参阅图片转文字。

细小的符号决定印地语的识别准确率。Nukta 或 chandrabindu 只有几个像素高，在模糊或压缩严重的照片中最先消失。请以 300 DPI 扫描，或拍照时让页面铺满画面，并发送原始文件，而不是经聊天应用转发的副本。

校正页面倾斜比平时更重要，因为头线倾斜会打断引擎跟随的行。请保持开启；遇到褪色的报纸、旧的政府表格或光线昏暗时拍的照片，再开启增强对比度。如果页面只有印地语，请把同时识别保持为无；不需要时加上第二种语言反而会略微降低准确率。