檔案數(shù)字化圖像自動(dòng)檢測(cè)技術(shù)的研究與應(yīng)用

賴(lài)雯

（廣東外語(yǔ)外貿(mào)大學(xué)檔案館，廣東 廣州 510420）

1 項(xiàng)目背景

檔案數(shù)字化自20世紀(jì)80年代提出后，隨著檔案工作的發(fā)展，檔案數(shù)字化也進(jìn)入全面發(fā)展時(shí)期。檔案數(shù)字化的早期形式是將紙質(zhì)目錄轉(zhuǎn)化成電子目錄，并通過(guò)使用檔案系統(tǒng)對(duì)檔案文件進(jìn)行電子化管理。隨著檔案利用需求的增多，僅僅對(duì)檔案進(jìn)行目錄索引是遠(yuǎn)遠(yuǎn)不夠的，所以，各級(jí)政府機(jī)關(guān)、企事業(yè)單位都在開(kāi)展存量紙質(zhì)檔案的數(shù)字化工作。通過(guò)對(duì)紙質(zhì)檔案進(jìn)行掃描和核對(duì)，再將文件進(jìn)行目錄掛接到檔案系統(tǒng)。一方面，可以提高檔案信息檢索的效率，實(shí)現(xiàn)檔案全文信息檢索；另一方面，檔案利用時(shí)可優(yōu)先查看檔案系統(tǒng)，減少對(duì)實(shí)體檔案的借閱，有利于保護(hù)檔案。而在紙質(zhì)檔案數(shù)字化的過(guò)程中，需要進(jìn)行嚴(yán)格的流程管理和質(zhì)量控制，以保證電子檔案的真實(shí)性和有效性。

根據(jù)國(guó)家檔案局2017-12-14發(fā)布、2018-01-01實(shí)施的最新《紙質(zhì)檔案數(shù)字化技術(shù)規(guī)范》要求：掃描分辨率應(yīng)不小于200 dpi；比如文字偏小、密集、清晰度較差時(shí)，建議掃描分辨率不小于300 dpi。掃描分辨率的選擇，應(yīng)保證掃描后圖像清晰、完整，并綜合考慮數(shù)字圖像后期利用方式等因素。如果有COM 輸出、仿真復(fù)制、印刷出版等其他用途時(shí)，則可根據(jù)需要調(diào)整掃描分辨率。

需要進(jìn)行COM 輸出的檔案，掃描分辨率建議不小于300 dpi；需要進(jìn)行高精度仿真復(fù)制的檔案，掃描分辨率建議不小于600 dpi；需要進(jìn)行印刷出版的檔案，可結(jié)合檔案幅面、印刷出版幅面、印刷精度要求等選擇合適的分辨率。此外，紙質(zhì)檔案數(shù)字圖像長(zhǎng)期保存格式為T(mén)IFF、JPEG或JPEG2000等通用格式，圖像壓縮率的選擇可根據(jù)實(shí)際應(yīng)用的需求而定。

《紙質(zhì)檔案數(shù)字化技術(shù)規(guī)范》明確規(guī)定，在進(jìn)行數(shù)字化成果驗(yàn)收時(shí)，應(yīng)采用計(jì)算機(jī)自動(dòng)檢驗(yàn)與人工檢驗(yàn)相結(jié)合的方式對(duì)紙質(zhì)檔案數(shù)字化成果進(jìn)行驗(yàn)收檢驗(yàn)。對(duì)數(shù)字圖像進(jìn)行驗(yàn)收，主要包括數(shù)字化參數(shù)、存儲(chǔ)路徑、命名的準(zhǔn)確性、圖像的完整性、排列順序的準(zhǔn)確性、圖像質(zhì)量等。

實(shí)際工作中，對(duì)于圖像質(zhì)量的檢測(cè)，由于圖像數(shù)量大，如果采用人工檢驗(yàn)的方式，則需要耗費(fèi)大量的人力、物力逐一檢查，因此，對(duì)于數(shù)字化驗(yàn)收部門(mén)而言，需要根據(jù)需求開(kāi)發(fā)一套自動(dòng)化圖像質(zhì)量檢測(cè)工具。

2 項(xiàng)目原理

2.1 圖像分辨率

圖像分辨率指的是圖像中儲(chǔ)存的信息量，常用計(jì)算方法是每2.54 cm（每英寸）的像素?cái)?shù)，單位為ppi，它決定了圖像細(xì)節(jié)的精細(xì)程度，分辨率越高，包含的像素點(diǎn)越多，圖像越清晰，能表現(xiàn)更豐富的細(xì)節(jié)，印刷質(zhì)量更好。但分辨率更高的文件更大，需要耗用更多的存儲(chǔ)資源。如果保持圖像尺寸不變，將其圖像分辨率提高一倍，則其文件大小增大為原來(lái)的4倍。所以，圖像形成時(shí)，要根據(jù)圖像最終的用途決定正確的分辨率。

2.2 圖像類(lèi)型和準(zhǔn)確率

圖像壓縮是指以較少的比特有損或無(wú)損地表示原來(lái)的像素矩陣的技術(shù)，也稱(chēng)圖像編碼。JPEG是最常用的圖像文件格式，是一種有損壓縮格式。如果使用過(guò)高的壓縮比例，將使最終解壓縮后恢復(fù)的圖像質(zhì)量明顯降低。在實(shí)際使用中，我們通過(guò)測(cè)試發(fā)現(xiàn)，準(zhǔn)確率在90%以上時(shí)，圖像質(zhì)量高且占用空間小，因此，將壓縮率（準(zhǔn)確率）90%作為檢測(cè)圖片質(zhì)量的標(biāo)準(zhǔn)。

3 項(xiàng)目實(shí)現(xiàn)

3.1 平臺(tái)及工具

圖像的垂直分辨率和水平分辨率屬性可以在Window 7系統(tǒng)中直接查看，但手動(dòng)查看需要耗費(fèi)大量的時(shí)間。而圖像的壓縮率/準(zhǔn)確率則無(wú)法通過(guò)系統(tǒng)自帶的屬性查看，需要專(zhuān)門(mén)的圖像處理工具收集信息。

ImageMagick圖片處理是一套功能強(qiáng)大、穩(wěn)定、免費(fèi)開(kāi)源的工具集和開(kāi)發(fā)包，可以用來(lái)讀、寫(xiě)和處理超過(guò)90種的圖片文件，包括流行的TIFF、JPEG、GIF、PNG、PDF以及PhotoCD等格式。

本文通過(guò)下載并安裝開(kāi)源的Imagemagick開(kāi)發(fā)包，在VS.NET平臺(tái)上，開(kāi)發(fā)應(yīng)用程序，實(shí)現(xiàn)對(duì)文件夾下所有讀片的信息讀取，并將結(jié)果輸出到CSV文件中。

3.2 算法實(shí)現(xiàn)

算法的主要思想是對(duì)輸入的文件路徑，遍歷搜索該路徑下所有的文件（含子文件夾），并對(duì)結(jié)果文件進(jìn)行篩選，將圖片文件存儲(chǔ)到數(shù)據(jù)集中，再對(duì)數(shù)據(jù)集中的所有文件讀取圖像屬性信息，并寫(xiě)入CSV文件。具體如表1所示。

4 實(shí)驗(yàn)結(jié)果

通過(guò)使用開(kāi)發(fā)的小工具，可以大批量讀取待檢測(cè)圖像文件的信息，進(jìn)行自動(dòng)化檢測(cè)。打開(kāi)結(jié)果文件，即可進(jìn)行質(zhì)量檢測(cè)及幅面大小統(tǒng)計(jì)。

以黨群數(shù)據(jù)集為例，共有40 363張圖片，38.1 G。如果人工打開(kāi)一個(gè)個(gè)文件去查看圖像分辨率，假設(shè)一個(gè)文件夾含10個(gè)文件，查看一個(gè)文件夾并切換到其他文件夾平均需30 s，對(duì)于圖像總數(shù)量為40 363張圖片的項(xiàng)目，手動(dòng)查看它們的分辨率需耗34 h，且無(wú)法準(zhǔn)確記錄分辨率不符合要求的圖像。在普通電腦上測(cè)試發(fā)現(xiàn)，對(duì)于同樣的數(shù)據(jù)集，小工具將全部結(jié)果寫(xiě)入CSV文件需要67 min，結(jié)果顯示通過(guò)編程，讓程序自動(dòng)檢測(cè)，可節(jié)約大量的人工成本。

實(shí)際應(yīng)用中，大學(xué)檔案館每年數(shù)字化掃描的工作量達(dá)1 000 000頁(yè)及以上，通過(guò)使用小工具，一方面可以提高項(xiàng)目驗(yàn)收的準(zhǔn)確度，一方面可以提高驗(yàn)收效率。

［1］王學(xué)平.淺議我國(guó)檔案數(shù)字化建設(shè)實(shí)踐與發(fā)展策略［J］.檔案學(xué)通訊，2011（06）：54-57.

［2］李學(xué)廣.檔案數(shù)字化方案研究［J］.中國(guó)檔案，2007（06）：52-53.