사진 속 벵골어를 텍스트로

벵골어 인식에서 달라지는 점

벵골어 모델은 글자가 아니라 묶음 단위로 읽습니다. ক্ষ나 ন্ত্র 같은 합자는 페이지에서 하나의 모양이고, 모델은 그것이 무엇인지와 Unicode로 어떻게 분해되는지를 모두 판단해야 합니다. 그래서 벵골어의 오인식은 글자 자체가 틀리기보다 합자가 틀리거나 모음 기호가 다른 글자에 붙는 형태로 나타나는 것이 보통입니다. 출력은 Unicode가 기대하는 순서입니다. 모음 기호는 자음 묶음 뒤에 오고, 레프는 그것이 올라앉는 묶음 앞에 র + 하산타로 쓰이며, 두 부분 모음은 하나의 코드 포인트로 나옵니다. 모든 검색창, 맞춤법 검사기, 글꼴이 기대하는 순서이며, Bijoy 타이피스트가 입력하는 보이는 순서와는 반대입니다.

일반 인식기가 하는 일은 여기서도 모두 합니다. 종이의 조명을 고르게 하고, 페이지를 똑바로 돌리고, 괘선이 있는 표는 항목명과 값이 뒤섞이지 않도록 셀 단위로 읽으며, 결과는 페이지 레이아웃 그대로 또는 문단으로 이어서 돌려줍니다. 벵골 숫자로 인쇄된 숫자는 벵골 숫자로 읽고, ০১২와 012가 섞인 양식은 둘 다 유지합니다.

벵골어 모델은 다른 언어와 공유하지 않지만, 사진에는 레터헤드, 참조 번호, 서명란 같은 영어가 함께 있을 수 있고, 한 언어는 다른 언어를 엉터리로 읽습니다. 목록에서 영어를 추가하면 두 팩으로 페이지를 읽어 각 단어를 인쇄된 문자 체계 그대로 유지합니다.

다른 작업이 필요할 때

파일로 아직 남아 있는 Bijoy 문서는 사진으로 찍기보다 변환하는 편이 낫습니다. OCR은 픽셀에서 텍스트를 다시 만들어 내므로 가장 좋은 페이지에서도 1,000자 중 몇 자는 틀립니다. Bijoy Unicode 변환은 키 입력에서 텍스트를 다시 만들어 하나도 틀리지 않고, 굵게와 표도 유지합니다. 파일이 사라졌을 때만 페이지를 찍으세요.

책 한 권이나 스캔 아카이브 전체라면 데스크톱 도구가 맞습니다. 같은 벵골어 모델을 쓰는 명령줄 OCR 도구는 폴더 하나를 밤새 읽어 내고, OCRmyPDF는 그 안의 모든 PDF에 검색 가능한 텍스트 레이어를 넣어 줍니다. 이 페이지는 눈앞의 한 페이지를 위한 것입니다.