地质资料动态与参考-全国地质资料馆.PDFVIP

内部参考 地质资料动态与参考 2015 年第3 期（总第81 期） 全国地质资料馆主办 2015 年3 月15 日 ★双层PDF 在地质资料数字化中的应用 ★简讯 全国地质资料馆与国土资源实物地质资料中心联合服务达成共识 内蒙古自治区开展财政出资地质勘查基金项目地质资料清欠工作 黑龙江省地质资料档案馆完成建馆以来最大地质调查报告验收工作 山东省国土资源资料档案馆向有关地勘单位免费分发《山东省矿产图（1 ︰50 万）》 重庆市国土资源和房屋档案馆馆藏地质资料清理工作取得显著成绩 四川省国土资源资料馆出台《地质资料汇交员、初检制度》（试行） 贵州省地质资料馆研究制定2015 年工作目标 宁夏实现地质资料的三维虚拟管理 地质调查数据集成与服务系统建设 （中南）项目进展介绍 -1- 双层PDF 在地质资料数字化中的应用 郭慧锦 贾国锋 马飞飞 张茜 当前，地质资料馆藏机构都在加紧开展数字化工作。截至2013 年底， 全国已有20 多个省级资料馆完成馆藏资料的数字化工作，全国地质资料馆 的成果地质资料数字化工作也接近尾声，所形成的海量数据已成为地质资 料信息社会化服务重要数据资源。此类数字化数据是静态的，有利于阅览 使用，但无法进行全文检索，也不利于进一步分析处理。因此，在现有数 据的基础上，开展OCR 识别，使之转化成双PDF 文件，实现静态向动态的 转变，建立全文数据库，完成对地质资料的全文信息的检索，成为地质资 料馆藏机构推进资料数字化工作。 一、关于双层PDF 与OCR 技术 双层PDF是在扫描数据的基础上通过OCR识别生成的可检索的PDF文 件，即上层是原始图像，下层是识别结果，且位置上下一一对应。双层PDF 文件不仅可以100%保留原始版面效果，而且支持选择、复制、检索等功能， 这样的PDF文件最后可以存储在光盘、硬盘或磁盘阵列中，并通过建立索引 数据库进行科学的管理。 OCR （Optical Character Recognition ），即光学字符识别，是指电子设备 （如扫描仪或数码相机）检查纸上打印的字符，通过检测暗、亮的模式确 定其形状，然后用字符识别方法将形状翻译成计算机文字的过程。即对文 本资料进行扫描，然后对图像文件进行分析处理，获取文字及版面信息的 过程。随着计算机网络飞速发展，信息电子化已经成为一个时代必然趋势。 -2- 文字作为信息中最重要、最集中的载体，其电子化进程显得尤为重要。而 OCR 技术则是文字电子化过程中最重要的环节，它改变了传统的纸介质资 料输入的概念。通过OCR 技术，用户可以将通过摄像机、扫描仪等光学输 入方式得到的报刊、书籍、文稿、表格等印刷品的图像信息转化为可以供 计算机识别和处理的文本信息。因此，与传统的手工录入方式相比，OCR 技术大大提高了人们进行资料存储、检索、加工的效率。 二、应用现状 PDF正在世界各国政府、金融财务、法律、工程技术、医疗等诸多部门 获得广泛的应用，并已成为政府、学术部门等单位标准的现代化公文格式 规范，所以PDF 电子格式文档将是未来档案部门收藏的主体。而双层PDF 的 出现有效解决了识别成本和阅读利用的矛盾，是一种较有潜力的资源格式。 国外的OCR技术应用相对成熟，包括IBM 、Motorola 、HP和Microsoft 等世 界性大公司都陆续展开了这方面的研究，在他们的产品中绑定了OCR技术。 如今，OCR技术在我国的应用也极为广泛。信息检索技术研究，即双 层PDF检索技术研究，中国“863”计划在2008年以前已经开始对中文OCR、 自动分词、自动摘要、自动搜索、自动定位进行了统一测试评测。在此基 础上，国内逐步建立了以数字图书馆、数字档案馆、数字报刊、数字校园 网等一系列数字化为基础的实施案例，例如