淺析紙質文書檔案數字副本OCR識別方法

梁連高

（南寧市國土資源檔案館，廣西 南寧 530021）

隨著檔案信息化建設的不斷發展，非數字檔案的數字化工作已成為當前檔案工作的重中之重，特別是紙質檔案的掃描工作，各機關、團體、企事業單位已普遍開展。數字化加工過程中產生的大量電子檔案以JPEG等格式的圖像文件存在，保持了檔案的原貌，但不能對其中的內容進行引用、檢索等操作，給電子檔案的利用造成了很大的不便。為實現全文檢索，達到引用文本的目的，需用OCR軟件將數字檔案圖像識別轉換為文字。

1 OCR基本概況

“OCR”是光學字符識別（Optical Character Recognition）的縮寫，是指電子設備檢查紙上顯示的字符，通過檢測暗、亮的模式確定其形狀，然后用字符識別方法將形狀翻譯成計算機文字的過程。在最近幾年中，OCR識別技術隨著掃描儀的普及得到了飛速的發展，掃描、識別軟件的性能不斷強大并向智能化不斷升級發展。但是要想快速地獲取正確的掃描結果，得到高效率的文字錄入，必須認真學習有關知識，結合實踐經驗，摸索出工作方法。

2 紙質文書檔案掃描和圖像處理方法、步驟

文檔圖像的質量直接影響到OCR軟件正確識別的結果，在掃描時，設置分辨率及相關參數非常重要，掃描后進行圖像處理，保證圖像完整、清晰，無影響圖片美觀的黑邊和污點，圖像不偏斜等。嚴格按照《紙質檔案數字化技術規范》（DA/T 31—2005）進行檔案數字化加工。

筆者采用富士fi-6770高速掃描儀和plusteckA380平板掃描儀進行掃描，紙張過大的圖紙采用工程圖掃描儀掃描。下面介紹檔案掃描、圖像處理操作中的一些方法。

2.1 檔案掃描方式

紙張較好的檔案直接采用富士fi-6770高速掃描儀掃描；紙張過大的圖紙采用工程圖掃描儀掃描；紙張狀況較差的及過薄、過軟的檔案，采用plusteckA380平板掃描儀掃描。

2.2 掃描色彩模式和圖像存儲格式

掃描色彩模式：彩色。頁面中有紅頭、印章或有黑白照片、彩色照片、彩色插圖的檔案，建議采用彩色模式。

圖像存儲格式：JPEG。

2.3 掃描分辨率和壓縮比率

掃描分辨率：300 dpi。分辨率的設置是文字識別的重要前提。一般來講，掃描儀提供較多的圖像信息，識別軟件比較容易得出識別結果。在實際工作中，200 dpi達不到最佳效果，經驗表明，選擇300 dpi適合大部分打印文檔掃描。

壓縮比率：6.掃描儀設置壓縮比率為6，壓縮比率即為80%以上。

2.4 亮度、對比度

掃描時適當地調整好亮度和對比度，使掃描文件黑白分明。這對識別率的影響最為關鍵，掃描亮度和對比度的設定，以觀察掃描后圖像中漢字的筆畫較細但又不斷開為原則。

2.5 圖像處理

利用Photoshop圖像軟件對圖像進行適當處理加工，以使圖像正確、完整、清晰呈現。

2.5.1 糾偏

對出現的偏斜圖像進行糾偏處理，以達到視覺上基本不感覺偏斜為準，對方向不正確的圖像進行旋轉還原。

2.5.2 去污處理

對圖像頁面中出現的影響圖像質量的雜質進行去污處理，在處理過程中遵循“在不影響圖像可讀度的前提下展現檔案原貌”的原則。

2.5.3 去黑邊

在不影響圖像中字跡完整度的情況下，去除掃描過程中在頁面周圍出現的黑色邊框。

2.5.4 去底色

在不影響圖像中字跡可辯認度的情況下，去除掃描過程中頁面中出現的偏黃或偏藍底色。

2.5.5 調整順序

發現檔案圖像排列順序與檔案原件不一致時，及時調整。

3 OCR識別流程

經過掃描、圖像處理后，在形成紙質文書檔案源版數字圖像基礎上，經OCR識別技術生成一套雙層PDF格式的數字副本或者生成一套TXT格式的數字副本。筆者采用漢王易識軟件進行識別，下面介紹識別方法和步驟。

3.1 識別前的準備

按照《歸檔文件整理規則》（DA/T 22—2015）的檔號編制方法，使用ACDSee 5.0進行圖像文件的命名，每一件文件掃描后的圖像以檔號來命名。建議：檔號＋件內流水號＋擴展名，其中，件內流水號由4位阿拉伯數字標識，不足4位的，前面用“0”補足。

例如：全宗號為“Z109”的2016年文書檔案，機構代碼為“BGS”、保管期限為“永久”的第1件檔案有3頁，其數字圖像命名為：

Z109-WS·2016-Y-BGS-0001-0001.jpg

Z109-WS·2016-Y-BGS-0001-0002.jpg

Z109-WS·2016-Y-BGS-0001-0003.jpg

3.2 漢王易識軟件設置

3.2.1 啟動漢王易識

插入加密狗雙擊“漢王易識”桌面快捷圖標，啟動漢王易識軟件。

3.2.2 系統設置

在文件菜單中選擇“系統配置...”進入“設置”對話框。

3.2.2.1 “無UI掃描參數設置”選項卡

選擇分辨率“300 dpi”、圖像類型“彩色”、“灰度和彩色掃描圖像保存為JPG格式”；單擊“應用”；單擊“確定”。

3.2.2.2 “識別設置”選項卡

選擇“自動傾斜校正”“取消識別結果提示”“批量識別后自動查看日志”“顯示版面分析順序”；單擊“應用”，然后單擊“確定”。

3.2.2.3 “導出設置”選項卡

選擇“自動啟動關聯程序打開輸出文件”“輸出雙層PDF文件”、創建Rtf文件“公式自動轉換”、Word版本“自動檢測”、“輸出公式原圖”、PDF圖像壓縮系數“30”；單擊“應用”；單擊“確定”。

3.2.2.4 設置分析、識別參數

工具欄選擇“簡體”“公文”。針對有紅色公章或紅頭的辦公文件，可識別紅頭和公章覆蓋的內容。

3.3 識別操作步驟

識別操作步驟如下：①圖像輸入。單擊“打開圖像”；選定要識別的圖像文件；單擊“打開”，每一件圖像文件分別打開到系統中。②版面分析。單擊“版面分析”或者“分析全部”，系統自動對選中的圖像文件進行版面分析，以提高識別正確率。③識別圖像。單擊“識別”或者“識別全部”選項，系統自動對選中的圖像文件進行識別處理。④創建PDF。經分析、識別后，選中需要創建雙層PDF單件文件的所有圖像，單擊“創建PDF”。雙層PDF創建成功后會自動彈出文件的窗口。⑤文稿校對。漢王易識軟件具有文稿校對功能，系統自動校對，但要經過人工校正后準確率才可達到100%.

3.4 OCR識別后圖像的命名、關聯目錄數據等

源版數字圖像轉換生成的PDF、TXT等格式，我們將其稱為“衍生數字副本”。使用ACDSee Pro 3對衍生數字副本命名，建議：檔號＋擴展名。

例如：全宗號為“Z109”的2016年文書檔案，機構代碼為“BGS”、保管期限為“永久”的第1件文書檔案源版數字圖像轉換為衍生數字副本，其命名為：

Z109-WS·2016-Y-BGS-0001.pdf

建立目錄數據與OCR識別圖像關聯，實現全文檢索功能，便于查詢利用。

雙擊打開正在使用的“檔案管理系統”；選擇“批量掛接OCR成果”；選擇需要掛接相應文件夾中的PDF文件；單擊“開始掛接”。筆者同時掛接了TXT文檔及雙層PDF文件，既可以實現全文檢索，又可以保持檔案原貌功能，實現復制、粘貼等操作。OCR識別圖像掛接完成后，使用移動硬盤或刻錄光盤進行離線備份OCR識別成果，保存雙層PDF格式數字副本。

綜上所述，對收集到的紙質文檔進行掃描、圖像處理后，進行OCR識別，識別準確率大于99%.識別結果形成單頁的雙層PDF文件，既較好地保持了檔案的原貌，又可以實現檔案全文檢索，復制、粘貼等操作，提高了工作效率。在檔案領域，OCR技術使檔案掃描成果達到了全文可識別，將檔案數字化發展提升到了一個新的階段，使原本掃描出來的圖片變得更容易檢索，為檔案數據查詢提供了技術支持，是檔案數字化發展中必不可少的一環。

［1］國家檔案局檔案科學技術研究所標準化研究室.DA/T 13—1994檔號編制規則［S］.北京：中國標準出版社，1994.

［2］國家檔案局.DA/T 31—2005紙質檔案數字化技術規范［S］.北京：中國標準出版社，2005.

［3］國家檔案局檔案館（室）業務指導司.DA/T 22—2015歸檔文件整理規則［S］.北京：中國標準出版社，2015.

［4］遲春佳.OCR技術及其在高校圖書館信息資源數字化建設中的應用［J］.中國科技信息，2007（7）：95-96.