OCR技术在报刊加工中的应用分析姜嘉佳摘要OCR技术在图书数字化加工过程中发挥了巨大作用，实现了报刊的电子化形态，由于技术的限制，目前OCR技术的利用并不是最佳状态，在文字识别率过程中，会受到图像外在因素影响如扫描参数、图像质量等，降低识别率，未来对OCR技术的研究升级还有待完善和提高。关键词OCR技术；数字化；扫描参数；识别率G2文献标识码A1674-6708（2019）235-0159-02随着数字化时代的趋势，越来越多的图书馆致力于图书的信息化建设来实现信息资源的整合，以保证图书馆的生存和发展。通过将馆藏文献如期刊、报纸、图书等进行数字化加工，形成电子资源数据库，实现数字图书馆的功能。在图书数字化加工领域，OCR技术发挥了作用，最大限度地降低了人工著录时发生问题的概率，既节约成本，又提高效率。本文就以上海图书馆报刊数字化加工项目为例，探讨OCR技术在报刊加工中的应用及难点和解决方法。1OCR技术概念特点何为OCR？OCR的全称是OpticalCharacterRecognition，意为光学字符识别，是指利用电子设备查看印刷体字符，以检测亮暗方式来确定字符轮廓，通过字符识别方式将其转换成计算机文字，整个过程分为图像处理与文字识别两大步骤。图像处理，即对通过扫描仪存储到计算机的图像进行预处理，处理工作包括图片降噪、灰度值、二值化、倾斜矫正、文字切分等步骤。图像预处理过后，后期将通过文字特征来识别提取文字。2我国OCR技术的发展现状OCR是由德国科学家Tausheck于1929年提出来的，随后美国科学家Handel也提出了文字识别的想法，随后世界各国就开始了文字识别的研究。我国OCR技术起步较晚，70年代初才开始研究数字、字母、符号的识别，90年代清华大学推出了首套中文OCR产品，这一成果标志了国内在OCR技术研究领域有了质的飞跃。随着技术不断地推陈出新，目前国内已有多家大型公司致力于OCR技术的研究发展，像汉王科技公司、点通数据公司、合合信息技术公司等。从单一的印刷体字体识别，到多字体简繁混合、中英文混合识别，到现在各种识别系统的推出，OCR技术已經逐渐成熟并融入了各行各业。3OCR技术的应用及流程为顺应数字化时代的潮流，上海图书馆致力于图书的数字化加工工作，从最初的印刷月刊到网络平台一体化，每年数字化加工处理的期刊文献达500万条，创办的《全国报刊索引》亦是知名信息服务品牌，提供期刊、报纸、特辑资源数据库，包括《晚清期刊全文数据库》、《字林洋行中英文报全文纸数据库》、《现刊索引数据库》等。以《现刊索引数据库》为例，建立一个索引篇名数据库需要的信息包括期刊的期刊名、年卷期、题名、页码、作者、单位、分类号、主题词、摘要等。假设人工著录信息必须要大量的人力物力财力，且非常容易出错，比如录入错字，错行，甚至错篇等。使用OCR技术著录信息，就可以大大节省时间和成本，以下是OCR技术在实际运用中的大致流程，如图1。1）图像扫描输入。用扫描仪把期刊整本输入进计算机，为确保存储的图像质量及后续的识别工作，在扫描过程中，设备参数至关重要，包括色彩模式、分辨率、扫描阈值、亮度、对比度、保存格式等。2）图像预处理。扫描的时候由于不同纸张的厚薄度、光滑度、印刷质量等情况会出现图像模糊、畸变、断笔、粘连、倾斜等问题，所以需对其进行预处理，可使用Photoshop或其他工具，处理包括降噪、灰度化、二值化、去黑边、去底色等，如此一来可减少后期文字识别时遇到字迹模糊不清楚等问题。3）图像版面分析。图像版面分析即识别图像的区域属性，是横排文字还是竖排文字，表格还是图片、规则版面还是不规则版面等。4）文字切分。分为自动切分与人工切分。自动切分是计算机通过对图像的初步识别，按照字符每一行的上界限、下界限、每个字符的左右边界将文字自动切割成独立的个体。人工切分即在自动切分的基础上对完成切分的文字进行校对，在切割有误的地方重新切分，保证单词、词组、句子的完整性。5）文字特征识别。因为每个文字都有其固定的特征，根据特征对文字进行识别，通过特殊特征提取，如笔画位置、交叉点数等结构特征，就可以得到字符。6）文字比对识别。初步得到的字符通过对比文字数据库，可以得到文字...