OCR技術在報刊加工中的應用分析

姜嘉佳

摘 要 OCR技術在圖書數字化加工過程中發揮了巨大作用，實現了報刊的電子化形態，由于技術的限制，目前OCR技術的利用并不是最佳狀態，在文字識別率過程中，會受到圖像外在因素影響如掃描參數、圖像質量等，降低識別率，未來對OCR技術的研究升級還有待完善和提高。

關鍵詞 OCR技術；數字化；掃描參數；識別率

中圖分類號 G2 文獻標識碼 A 文章編號 1674-6708（2019）235-0159-02

隨著數字化時代的趨勢，越來越多的圖書館致力于圖書的信息化建設來實現信息資源的整合，以保證圖書館的生存和發展。通過將館藏文獻如期刊、報紙、圖書等進行數字化加工，形成電子資源數據庫，實現數字圖書館的功能。在圖書數字化加工領域，OCR技術發揮了作用，最大限度地降低了人工著錄時發生問題的概率，既節約成本，又提高效率。本文就以上海圖書館報刊數字化加工項目為例，探討OCR技術在報刊加工中的應用及難點和解決方法。

1 OCR技術概念特點

何為OCR？OCR的全稱是Optical Character Recognition，意為光學字符識別，是指利用電子設備查看印刷體字符，以檢測亮暗方式來確定字符輪廓，通過字符識別方式將其轉換成計算機文字，整個過程分為圖像處理與文字識別兩大步驟。圖像處理，即對通過掃描儀存儲到計算機的圖像進行預處理，處理工作包括圖片降噪、灰度值、二值化、傾斜矯正、文字切分等步驟。圖像預處理過后，后期將通過文字特征來識別提取文字。

2 我國OCR技術的發展現狀

OCR是由德國科學家Tausheck于1929年提出來的，隨后美國科學家Handel也提出了文字識別的想法，隨后世界各國就開始了文字識別的研究。我國OCR技術起步較晚，70年代初才開始研究數字、字母、符號的識別，90年代清華大學推出了首套中文OCR產品，這一成果標志了國內在OCR技術研究領域有了質的飛躍。隨著技術不斷地推陳出新，目前國內已有多家大型公司致力于OCR技術的研究發展，像漢王科技公司、點通數據公司、合合信息技術公司等。從單一的印刷體字體識別，到多字體簡繁混合、中英文混合識別，到現在各種識別系統的推出，OCR技術已經逐漸成熟并融入了各行各業。

3 OCR技術的應用及流程

為順應數字化時代的潮流，上海圖書館致力于圖書的數字化加工工作，從最初的印刷月刊到網絡平臺一體化，每年數字化加工處理的期刊文獻達500萬條，創辦的《全國報刊索引》亦是知名信息服務品牌，提供期刊、報紙、特輯資源數據庫，包括《晚清期刊全文數據庫》、《字林洋行中英文報全文紙數據庫》、《現刊索引數據庫》等。

以《現刊索引數據庫》為例，建立一個索引篇名數據庫需要的信息包括期刊的期刊名、年卷期、題名、頁碼、作者、單位、分類號、主題詞、摘要等。假設人工著錄信息必須要大量的人力物力財力，且非常容易出錯，比如錄入錯字，錯行，甚至錯篇等。使用OCR技術著錄信息，就可以大大節省時間和成本，以下是OCR技術在實際運用中的大致流程，如圖1。

1）圖像掃描輸入。用掃描儀把期刊整本輸入進計算機，為確保存儲的圖像質量及后續的識別工作，在掃描過程中，設備參數至關重要，包括色彩模式、分辨率、掃描閾值、亮度、對比度、保存格式等。2）圖像預處理。掃描的時候由于不同紙張的厚薄度、光滑度、印刷質量等情況會出現圖像模糊、畸變、斷筆、粘連、傾斜等問題，所以需對其進行預處理，可使用Photoshop或其他工具，處理包括降噪、灰度化、二值化、去黑邊、去底色等，如此一來可減少后期文字識別時遇到字跡模糊不清楚等問題。3）圖像版面分析。圖像版面分析即識別圖像的區域屬性，是橫排文字還是豎排文字，表格還是圖片、規則版面還是不規則版面等。4）文字切分。分為自動切分與人工切分。自動切分是計算機通過對圖像的初步識別，按照字符每一行的上界限、下界限、每個字符的左右邊界將文字自動切割成獨立的個體。人工切分即在自動切分的基礎上對完成切分的文字進行校對，在切割有誤的地方重新切分，保證單詞、詞組、句子的完整性。5）文字特征識別。因為每個文字都有其固定的特征，根據特征對文字進行識別，通過特殊特征提取，如筆畫位置、交叉點數等結構特征，就可以得到字符。6）文字比對識別。初步得到的字符通過對比文字數據庫，可以得到文字。文字比對識別需人工干預進行錯字標改。7）成品輸出保存。文字校對結束后，系統根據內容自動進行格式排版，確認無誤后，成品導出需要的文件格式，即完成了數字化工作。

整個數字化加工流程看似復雜繁瑣，實際用到OCR技術識別圖像只有零點幾秒，難點就在于前期的圖像處理與后期的校對處理，前期的圖像全文掃描與預處理工作，直接導致了整體的文字識別率。而后期的人工校對也是在識別率基本正確的情況進行校對。

4 OCR技術的難點

雖然圖像的前期與后期工作較為繁瑣復雜，但比起傳統人工手動文字錄入，OCR技術的使用在速度、準確、便捷等方面略勝一籌，人會因為疲勞等各種原因犯錯，但機器不會，因此使用OCR技術加工整體消耗的人力物力都比人工著錄要少的多。盡管OCR技術很先進，在保證圖像掃描質量的前提下，后續的文字識別過程仍會遇到下面幾種問題：

1）文字切分錯字。在進行文字自動切分時，部分固定詞組會因為分行而造成切分錯誤。2）相近文字識別不出來。目前對于那些結構特征相近的字，OCR技術仍不能完全分辨出來，如分和兮，人或入，藝和芝等。3）英文單詞識別困難。比起漢語，英文字母識別更困難，尤其是中文、英文和數字混合排列的時候，問題最為明顯，原因在于結構大都比較相近，掃描的時候會由于光線問題造成識別混亂，如a和d，大寫i和小寫L，小寫L和1，G或6等。

5 提高識別率方法

1）選擇合適的數字掃描儀。一般從圖像傳感器性能、掃描分辨率大小、掃描適應能力、操作便捷性幾方面考慮，針對不同的掃描資料選擇簡便的掃描儀。2）合理設置掃描儀參數。包括色彩模式、分辨率、黑白值、亮度、對比度等。對于常見的文檔資料，建議設置成黑白模式，或在特殊要求下選擇彩色模式；合理確定分辨率，選擇300dpi模式，除非有特殊情況，否則分辨率過高不僅會降低掃描速度、增加計算機存儲，還會降低OCR識別；掃描后，如果字體顏色較淺或較粗，可以調節亮度和對比度。3）選擇圖像存儲格式。掃描結束后圖像的存儲需要保證分辨率不受影響、無損壓縮，且適應主流圖像編輯軟件和識別軟件，建議選擇JPEG或Tiff格式。4）即時更新文字比對數據庫。對于可能出現的繁體字、象形字、外文字符，即時更新可避免識別率問題。5）人工校對的重要性。正是由于OCR技術的不夠完善，不能做到100%的正確識別，后期的人工校對是提高識別率的重要環節，雖然人工校對費時，但相比于手工錄入，總體耗時與錯誤率都要低很多。

6 結論

從技術角度出發，OCR技術的出現到發展，給圖書數字化發展帶來了翻天覆地的變化，它改變了傳統紙質媒介的概念，實現了文字識別功能，提高了資料加工的效率，為文獻的存檔、數據查詢開辟了新的篇章。使用OCR技術可以有效地提高工作效率，減少不必要的工作量。但是，OCR技術的識別率問題目前還是一個比較大的挑戰，畢竟電腦不如人腦這么靈活，碰到圖像掃描模糊、相近文字、換行斷字、英文字符等識別率就會降低，如何降低錯誤率或利用其他工具來提高識別率，是OCR技術未來發展的一個重要環節。

參考文獻

[1]錢炎.醫療保險系統中信息處理關鍵技術研究[D].南京：南京航空航天大學，2005.

[2]曾伊蕾，喻世俊，陶俊.基于OCR技術的圖像驗證碼識別[J].軟件，2013，34（10）：106-107，110.

[3]張志遠.復雜背景下文字增強算法研究與應用[D].上海：上海交通大學，2010.

[4]李冠藝.OCR技術在電子商務信息采集中的應用研究[J].電腦與電信，2013（8）：56-58.

[5]陶新宇.《全國報刊索引數據庫》芻議[J].現代情報，2004（9）：9-10.

[6]劉明英.檔案數字化過程中OCR技術的應用分析[J].中國高新技術企業，2017（5）：55-56.

[7]蔡旸.JPEG靜態圖像壓縮算法的研究[D].武漢：武漢科技大學，2009.

[8]郭軍.基于數字掃描儀性能的文本型數字圖像OCR識別準確度提高策略研究[J].網絡安全技術與應用，2017（9）：118-120.

[9]王玲麗.淺談OCR技術在圖書館文獻資源加工中的應用——以上海圖書館近代文獻全文OCR數據制作項目為例[J].數字與縮微影像，2015（1）：23-26.

[10]張肇玲.圖書資料檢索與信息化建設[J].人力資源管理，2018（4）：396.