OCR文献数字化的重要一步.pdfVIP

HINAINVENTIONPATENT CCCCCCCCCCCCCCCCCCCCCCCC OCR 文 献 数 字 化 的 重 要 一 步 文/ 陈永生 随着计算机技术的应用普及，互联网的长足发展，大批 OCR 生产工序 历史文献资料开发应用的需求不断增长。文献资料的扫描( 图 1．扫描 形文件) 应用，为广大读者提供 了更多、更丰富 ，有价值的文 将需要代码化的文献资料扫描。一般资料用300 线扫描 献资料。图形文件保留了原文件的风貌，但其 占用空间大，不 就可满足加工 。 可检索，在编辑、修改、加工等方面显露了不足。而OCR技 2．版面分析 术的成熟应用，则弥补了这一领域 的不足。 经过扫描后的文件，我们称为图形文件( t i f ) 。在文件中， OCR是英文Opt i ca l Char act er Rec ogni t i on的缩写，意即 有的文字或符号是可转换为编码的；另有一部分是不可转换 光电识别。该技术通过对扫描后的文件中的字符识别，将这 的图形，如手工制图、图片等。这样我们必须将文件加以分 些字或符号的逐个 图像，迅速转换成相应的字符编码，从而 析，将可以转换的部分与不可转换的部分加以区分 。如 图1中 替代了人工录入。 化学结构式部分，需保 留成图形；而文字部分是可转换的部 识别转换的正确率，完全由原文件的清 晰度和分辨率来 分。经过版面分析后，由计算机 自动识别转换。这时我们得 决定。如原文件印刷清晰 ，字体工整，则识别率可达90 以 到的文件就已经是代码化的文本文件了，而不能转换的部分 上。若文件印刷模糊，着 墨不均，则识别率很低。虽然有些 仍保留为原图形存放在原位置。在操作时 ，不同的部分用不 文件印刷很好，字迹也很清楚，但因字间距或行间距过于紧 同的颜色来表示。 密，甚至字与字 的笔画连在一起，也会降低识别率。通常 ，这 3．纵校 种文件是识别率最低的，极为影响生产加工 的效率。 经过版面分析和 自动识别后的文件，已是被转换为代码 中国专利文献诞生于 1985 年9月 。在以后的10 年间，全 的文本文件，即相当于手工录入的文件。经过转换的文件会 部专利文献都是以纸介质向社会大众 公开发行。直到 1994 出现一些错误 的字符，这些错误的出现，是前面提到的原文 年，当时的专利文献出版社( 后更名为知识产权出版社) 才第