求助：哪位有宗大师《中觀根本頌智慧論釋•正理海》藏文电子版，感恩！

寶僧

目前還是沒有對pdf文件進行藏文orc識別麼? 我手上有個較大的file, 如果用圖轉換的方式太麻煩了.

笨者之帚

寶僧 发表于 2012-7-19 05:41
目前還是沒有對pdf文件進行藏文orc識別麼? 我手上有個較大的file, 如果用圖轉換的方式太麻煩了.

没有直接能识别PDF的软件，只能转成图，然后一个一个识别，但如果用同元字库，印刷体藏文，识别率还是很不错的，很可接受。
不过，转成喜马拉雅藏文，会损失10-20%准确率，这点很可惜。

寶僧

笨者之帚 发表于 2012-7-19 08:03
没有直接能识别PDF的软件，只能转成图，然后一个一个识别，但如果用同元字库，印刷体藏文，识别率还是很不 ...

謝謝.

fstibet

今天已经校对到30页

weidongwd888

small2 发表于 2012-7-4 08:21
有藏文扫描PDF的，可惜不是文本，是图片！464页，52MB。

我有WORD版，但不知交谁。需要请致电18691989871

a512030500

能不能重新发个下载地址旧的已经过期谢谢
我的邮箱540112604@qq.com
能发一个给我吗

学道

https://mp.weixin.qq.com/s?__biz=MjM5MTgzMTYzMA==&mid=2649315792&idx=1&sn=b3a3791b5cb077a0c0c320346df502ce&chksm=beb27af189c5f3e7f8cc966b3c17f1beb975d4442e451272eeefa4a1249f2a72a5b667416ca6&mpshare=1&scene=23&srcid=05262QHs89u5VorDQendTvaG&sharer_sharetime=1616929281646&sharer_shareid=5636eb3996acdc611db0579171a479f3#rd

杨浩：Windows上使用Tesseract-ocr识别藏文、天城体梵文
原创 杨浩  学衡  2020-05-25
图片


Windows上使用Tesseract-ocr识别藏文、天城体梵文



杨   浩

作者介绍：杨浩，北京大学哲学博士，北京大学儒藏编纂与研究中心助理教授。致力于中印佛教思想与哲学研究，近年来对数字人文相关技术有所探索。





Tesseract-ocr可以OCR识别藏文、梵文，识别为Unicode字符，效果还不错



1、下载Windows安装版


Windows安装版地址：
https://github.com/UB-Mannheim/tesseract/wiki

图片





所有版本下载地址：

https://digi.bib.uni-mannheim.de/tesseract/

推荐使用5.0版本，4.0版本支持API，编程需要4.0版本。


2、下载识别文件包

https://tesseract-ocr.github.io/tessdoc/Data-Files

有普通、best、fast三种模式可选，下载相应traineddata数据。可以下载4.0的数据。

图片



图片







还有很多其他语言，可以去探索。

注：汉语、日语、韩语等语言，Finereader的OCR效果要比Tesseract-ocr强很多，但是Finereader是收费的。西方语言还可以选用OmniPage，但是OmniPage也是收费的。网上有破解版，但是现在越来越不好找了。



3、配置TESSDATA_PREFIX变量

参考网页：https://blog.csdn.net/weixin_41982136/article/details/82747499

如将traineddata拷贝至C:\Program Files\Tesseract-OCR\tessdata，则将TESSDATA_PREFIX设置为C:\Program Files\Tesseract-OCR\tessdata

图片





4、在命令行下使用



图片



识别效果



图片

图片

图片

图片



参考网页：

https://tesseract-ocr.github.io/tessdoc/Command-Line-Usage.html

识别藏文

tesseract 藏文图片  保存地址  -l bod

识别梵文

tesseract 梵文图片  保存地址  -l san


cmd示例：

进入安装目录
cd C:\Program Files\Tesseract-OCR

测试语言安装是否正确，有哪些训练语言
tesseract --list-langs

识别一张图片
tesseract tib_001.jpg D:\tib_001 -l bod

经测试，识别铅字印刷的图片，效果还可以。

经过优化处理的图片，可以显著提高识别率，参见：

https://tesseract-ocr.github.io/tessdoc/ImproveQuality.html

处理图片推荐使用老马软件ComicEnhancerPro。

老马的博客地址：https://www.cnblogs.com/stronghorse/



图片
图片
学 衡


论究学术、阐求真理，昌明国粹，融化新知，以中正之眼光，行批评之职事，无偏无党，不激不随。以学问为志业，营道同术，合志同方。





致力于数字人文发展与研究



图片
学衡数据

图片
学衡辑刊





为学术研究提供发表园地







促进青年学者学术交流与研讨

图片
学衡讲座

图片
学衡社区





发布和分享人文学科学术类信息

图片
欢迎关注转发


⬅长按识别二维码

开启人文精神之旅

图片
学术信息分享


⬅添加微信加入分享群

如果您喜欢我们的文章，欢迎与朋友分享！阅读更多原创文章，请关注【学衡】微信公共平台！我们也一如既往地期待您和我们分享您的意见、文章和智慧！投稿信箱为【xueheng1922@126.com】转载请与本刊联系。