Я хочу извлечь символы Unicode из файлов .jpg и .png.
Я пытаюсь сделать это с помощью следующей команды:
tesseract 1.png output.txt
Эта команда работает для английских символов, но когда я пробую ее для символов Unicode, таких как хинди, маратхи или деванагари, она выдает неправильный вывод.
Есть ли возможность извлечь скрипт Unicode (деванагари) в текстовый файл с помощью OCR?
решение1
Есть ли возможность извлечь скрипт Unicode?
Когда я пробую его для символов Unicode, таких как хинди, маратхи или деванагари, он выдает неправильный вывод.
Похоже, что Hindiподдерживается только «из коробки».
Для использования опции вам необходимо использовать -l lang:
tesseract 1.png output.txt -l hin
Вы можете обучить tesseract распознавать другие языки, такие как Marathi, или Devanagari.
ВидетьКак использовать предоставленные инструменты для обучения Tesseract 3.0x новому языку
Страница руководства TESSERACT(1)
ПАРАМЕТРЫ
...
-l langЯзык для использования. Если ничего не указано, предполагается английский. Можно указать несколько языков, разделив их символами плюс. Tesseract использует 3-символьные коды языков ISO 639-2. (См. ЯЗЫКИ)
...
ЯЗЫКИ
В настоящее время доступны языковые пакеты для следующих языков:
ara (арабский), aze (азербайджанский), bul (болгарский), cat (каталонский), ces (чешский), chi_sim (упрощенный китайский), chi_tra (традиционный китайский), chr (чероки), dan (датский), dan-frak (датский (фрактур)), deu (немецкий), ell (греческий), eng (английский), enm (древнеанглийский), epo (эсперанто), est (эстонский), fin (финский), fra (французский), frm (древнефранцузский), glg (галисийский), heb (иврит), hin (хинди), hrv (хорватский), hun (венгерский), ind (индонезийский), ita (итальянский), jpn (японский), kor (корейский), lav (латышский), lit (литовский), nld (голландский), nor (норвежский), pol (польский), por (португальский), ron (румынский), rus (русский), slk (словацкий), slv (словенский), sqi (албанский), spa (испанский), srp (сербский), swe (шведский), tam (тамильский), tel (телугу), tgl (тагальский), tha (тайский), tur (турецкий), ukr (украинский), vie (вьетнамский)
Чтобы использовать нестандартный языковой пакет с именем foo.traineddata, установите переменную среды TESSDATA_PREFIX, чтобы файл можно было найти по адресу TESSDATA_PREFIX/tessdata/foo.traineddata, и укажите Tesseract аргумент -l foo.