OCR技术应用.docVIP

OCR技术应用 档案数字化过程中OCR技术的应用 苏州大学07档案班 许呈辰 指导教师 张照余 　　【摘要】本文首先对档案数字化过程中的OCR技术作了简单介绍，然后分析了OCR技术的优势和在档案数字化工作中的独特应用，最后探讨了提高OCR识别率的各种方法，以期对档案数字化工作人员有所借鉴。 　　【关键词】档案 数字化 OCR 　　 　　信息时代，档案数字化已成为今后一段时期档案工作的重中之重，纸质档案扫描工作在各地如火如荼地进行。然而，扫描所产生的电子档案实际上只是以图像形式存在的文件，而非真正意义上的文本文件，也就是说，计算机只认识档案的外表，却不认识其内在文字，用户通过计算机只能看到档案的原貌，却不能对其中的内容进行引用、检索等操作，这无疑对将来的电子档案利用工作造成了很大的不便。考虑到档案用户的利用需求，若要得到真正文本形态的电子档案，使档案数字化工作更加有效，更加彻底，便要应用到OCR技术。 　　一、OCR概况 　　所谓OCR（Optical Character Recognition），即光学字符识别，通俗点说，就是让计算机认字。其原理是通过专门的OCR软件，将含有文字的图像按字切割成可独立识别的单元，然后运用各种算法分析每个图像单元中文字的形态特征，通过比对标准特征库中的数据，判断出该文字在计算机中的标准编码，并按通用格式输出保存在文本文件中。 　　OCR的工作流程为：影像输入、影像前处理、文字特征抽取、比对识别、人工校正，最后将识别结果输出保存。①虽然一张图像真正用于软件识别的时间不到一秒，但前期和后期的加工处理不可小视，尤其是前两个环节的操作，往往决定了OCR软件的识别率，乃至整个OCR工作的效率。而后期人工校正环节，则是保证OCR工作质量的最直接环节。 　　二、OCR技术的优势及其在档案数字化过程中的应用 　　OCR技术相对于传统的手工录入方式来说，具有强大的优势。首先，OCR文字识别的速度远快于手工录入。根据国际通行的打字速度评级标准，即使是专业人员，每分钟也仅能输入150~240个字，而采用OCR技术，即使算上前后期的处理环节所花时间，其速度也绝对比前者快好多倍。其次，OCR文字识别的质量远高于手工录入。虽然由于各种因素影响，OCR技术的识别率很难达到100%，但比起大批量手工录入，其出错率要小得多。最后，OCR还节省了大量人力资源，优化了资源配置，使人员分配于更加有意义的工作。 　　对于档案数字化工作来说，OCR技术除了具有以上几个普遍的优势之外，还有其独特的用武之地： 　　1．创新著录标引方式 　　创建档案目录数据库是一项较基础的档案数字化工作，目前大多数档案馆都在进行这项工作，很多档案馆已建成较为完备的目录库。然而，各档案部门的档案条目基本都是通过手工录入的，既费时又费力，还很容易出错。尤其是一些档案，标题很长，又是印发又是转发，一个题名就占了好几行，要输入老半天。 　　OCR技术提供了一种新的著录方式，使档案条目通过计算机录入成为可能。工作人员可以直接从OCR后的全文中找到著录项（如题名、文号、责任者等），复制粘贴到目录数据库的相应字段中去。②但这么做必须先扫描档案全文、OCR，然后再输条目，颠覆了档案数字化工作的一般工作流程，因此可行性并不高。还有一种方法是先将档案卷内目录扫描、OCR处理，再复制粘贴条目，或通过特定的程序自动采集条目信息③。但由于很多卷内目录是手写的，OCR无法识别，只得依靠手工录入。相信随着未来技术的发展，OCR在这方面的应用一定能够有所突破。 　　此外，系统还可以对OCR后的档案全文进行词频统计、内容分析，从而自动提取关键词、主题词等标识符，一定程度上实现了档案内容的自动标引。 　　2．实现真正的全文检索 　　档案工作中所说的全文检索实际包括两种类型：一种是仅对档案目录数据库进行检索，找到相关条目后再打开相应的档案全文，目前档案馆大多采用这种检索方式，且尚有很多档案没有电子全文；另一种是真正的全文检索，即直接对档案全文库进行检索，而且是对档案全文进行逐字检索。很明显，后一种检索方式的查全率比前者要高出很多，使用户能从浩如烟海的档案馆藏中找到更多所需信息，更深入地开发利用档案信息资源。 　　而要实现真正的全文检索，自然离不开OCR技术，因为只有将扫描图像中的文字变成文本格式，才有可能对其中的文字进行逐字检索。 　　3．支持双层PDF技术 　　所谓双层PDF，就是一个PDF文件中的每一页都包含两层，上层是扫描所得到原始图像，下层是OCR识别的文字结果。这种技术在数字图书馆领域已得到广泛应用，我们在CNKI等数据库中检索到的PDF格式的电子文献大多采用了双层PDF技术。 　　由于采用双层PDF技术既能较好地保证档案的原真性，在用户需要时又能对档案中的文字进行选择、复制、搜索等处