淺析漢字識別技術(shù)在檔案管理工作中的應(yīng)用

1、淺析漢字識別技術(shù)在檔案管理工作中的應(yīng)用    漢字識別技術(shù)(簡稱ocr)可以理解為是讓計算機認字的技術(shù)。它通過光電信號轉(zhuǎn)換，即文本數(shù)據(jù)。 一、漢字識別技術(shù)的應(yīng)用價值 漢字識別技術(shù)的應(yīng)用價值主要體現(xiàn)在兩個方面：      一方面，把紙質(zhì)檔案上的固定信息變成可以被檢索利用的活信息，為文本數(shù)據(jù)管理技術(shù)提供 豐富的數(shù)據(jù)源。 首先，從庫存檔案的情況來看，近幾十年來形成的大量印刷漢字檔案記載了我們黨和國家的 重要歷史，對我國現(xiàn)代化事業(yè)的發(fā)展，對精神文明和物質(zhì)文明的建設(shè)都有著非常重要的利用 價值。但這部分檔案的內(nèi)容都沒有文本數(shù)據(jù)

2、，或者說都只是固定在紙質(zhì)載體上的死信息。既 使通過掃描以圖像方式存儲于計算機中，檢索利用也有不便之處，難于滿足現(xiàn)代社會對檔案 信息的多種利用需求。其次，從辦公自動化的發(fā)展情況來看，每年接收的檔案中仍然會有相 當(dāng)數(shù)量的檔案沒有文本文件，或為外單位來文，或為丟失損壞等。漢字識別技術(shù)的應(yīng)用價值 就是使這兩大部分紙質(zhì)檔案上的固定信息變成可以被檢索利用的活信息，為全文檢索提供數(shù) 據(jù)，使深層次的開發(fā)利用成為可能，更好地為現(xiàn)代化建設(shè)事業(yè)服務(wù)。 另一方面，提供了一種新的檔 案目錄數(shù)據(jù)的錄入方式。 應(yīng)用計算機以來，漢字錄入只有一種方式，即健盤錄入。雖然目前漢字鍵盤錄入的方法有許 多種，而且日趨簡便快捷，已是年輕

3、人必備的職業(yè)技能，但是它畢竟屬于一種技能，不僅需 要反應(yīng)靈敏，手指靈活，而且要熟記錄入的原則、方法和要領(lǐng)。這對于在檔案部門占有相當(dāng) 比例的中老年同志來說，掌握起來確有難度。因此，鍵盤錄入方式仍然是影響一些檔案部門 建立檔案目錄信息數(shù)據(jù)庫的因素之一。ocr軟件為我們提供了一條新的途徑。它通過“拖拉 ”的方式，將屏幕上文件的目錄項如標題、文號、責(zé)任者等直接移植到檔案目錄數(shù)據(jù)庫的相 應(yīng)字段中去，簡單易學(xué)，一看就會。遺憾的是手工“拖拉”速度較慢，而且需要即時掃描或 調(diào)用圖像數(shù)據(jù)，所以單一利用這種方式錄入檔案目錄，速度不及熟練錄入員的鍵入速度。但它畢竟是一種新的錄入方式，為建立檔案目錄信息數(shù)據(jù)庫提供了一

4、條前所未有的途徑。而且 ，如果利用ocr軟件同時建立新型的綜合檔案信息數(shù)據(jù)庫，例如包括檔案的文件目錄、圖像 和文本等，效果就此較理想了。 二、漢字識別后生成的文本數(shù)據(jù)的屬性問題。 原始性是檔案的基本屬性。漢字識別后生成的文本數(shù)據(jù)是根據(jù)檔案的本源信息，即固定在紙 質(zhì)載體上的漢字信息進行加工處理：掃描、識別、校對、修改等工序后形成的復(fù)制加工品， 因此不具有檔案的原始性。 知識性是檔案的又一個屬性。漢字識別后生成的文本數(shù)據(jù)如果不計算人工校對后仍然可能存 在的微小誤差，應(yīng)該說具有與檔案原件同等的內(nèi)容，因此具有檔案的知識性。 漢字識別后生成的文本數(shù)據(jù)是將檔案的內(nèi)容以特殊的物理方式重新記錄在特殊的載體之上

5、， 比以文字的方式記錄在紙質(zhì)載體之上更具有便于傳遞、接收、存儲、利用以及不磨損、不丟 失等屬性。因此具有更強的信息性。</p· 上一頁· 1· 2· 3· 4· 5· 下一頁         漢字識別后生成的文本數(shù)據(jù)應(yīng)該說，它是一種新型的檔案一次信息的復(fù)制品或編研開發(fā)成果 。但作為一種新型的復(fù)制品或編研開發(fā)成果，因其生成的目的不同，又具有兩種不同的屬性 ：當(dāng)以提供利用為目的通過漢字識別建立文本數(shù)據(jù)庫時，其文本數(shù)據(jù)具有類似于匯編類檔案 編研成

6、果的屬性；當(dāng)以編輯出版紙質(zhì)的檔案編研材料如大事記、組織機構(gòu)沿革、文件匯編等 為目的進行漢字識別時，其文本數(shù)據(jù)不僅具有類似于檔案編研成果的屬性，而且具有檔案原 始性的基本屬性，因為它們是印刷品或出版物的本源信息。 由此可見，漢字識別后生成的文本數(shù)據(jù)是一種不同于傳統(tǒng)檔案屬性的新型檔案信息。 三、漢字識別技術(shù)的應(yīng)用方式</p· 上一頁· 1· 2· 3· 4· 5· 下一頁         漢字識別技術(shù)在檔案管理工作中的應(yīng)用，根據(jù)其目前的技術(shù)水平

7、主要適用于近幾十年來印刷 漢字檔案內(nèi)容的識別，圖像、文本數(shù)據(jù)的形成、存儲和目錄數(shù)據(jù)的錄入等項工作。主要的應(yīng) 用方式有：     (一)利用者閱讀紙質(zhì)檔案的內(nèi)容之后，對其所需要的內(nèi)容進行掃描和漢字識別，或打印出統(tǒng) 一格式的利用摘錄，或直接提供文本拷貝。    這種利用方式的優(yōu)點主要有：    1方便用戶，可減少信息利用過程中的重復(fù)勞動；    2不給檔 案人員增加建庫的工作負擔(dān)；    3節(jié)省建庫所

8、需的經(jīng)費開支。其缺點主要有：    1不能為全文 檢索提供數(shù)據(jù)，實現(xiàn)深層次開發(fā)檔案信息資源的目的；    2存在對同一檔案內(nèi)容重復(fù)進行掃 描和漢字識別的可能性。     (二)輸入檔案目錄。這是加快檔案目錄信息數(shù)據(jù)庫建設(shè)的一條新路，能夠使更多的人員從事輸入工作，但輸入速度不甚理想，而且成本費用相對較高。     (三)掃描、保存圖像并提供利用，只針對利用者需要的圖像內(nèi)容進行漢字識別等利用服務(wù)。   

9、0; 這種方式必須在已有文件目錄的前提下使用。其優(yōu)點主要有：1具有提供原件和提高信息 利用效率的雙重優(yōu)勢；2檔案人員不承擔(dān)漢字識別后生成的文本數(shù)據(jù)的維護工作。其缺點 主要有：1同第一種利用方式的缺點。2漢字識別技術(shù)要求圖像的光學(xué)分辨率較高，一般為3000dpi，而一般圖像的分辨率僅為150dpi，因此所需的存儲空間較大，約是一般圖像的2 、3倍，那么，所需的存儲成本也要高得多。這種高代價的圖像存儲僅用來滿足用戶利用識 別的需要似乎有點得不償失。因此低分辨率的圖像也能進行漢字識別，只是識別率相對較低 而已。我們也曾做過對比實驗，同一頁印刷質(zhì)量良好的b5紙型文件約500字，以300dpi進行掃描，

10、識別率為100%；以150dpi進行掃描，識別率為99.4%(誤識3字)。這對于一般用戶而言無所謂的。</p· 上一頁· 1· 2· 3· 4· 5· 下一頁         (四)建立文本數(shù)據(jù)庫。這種方式也應(yīng)在已有文件目錄的條件下使用。其優(yōu)點主要有：    1節(jié)省存儲空間和存儲成本。仍以一頁b5型紙約500漢字的文件為例，以文本方式存儲約需1000字節(jié)；以圖像方式存儲約需25000字節(jié)。因此，同量漢字的文本方式存儲比圖像方式存儲成本低得多。    2為全文檢索提供數(shù)據(jù)，能夠?qū)崿F(xiàn)深層次開發(fā)利用檔案信息資源的目的。    其缺點主要有：    1建立文本數(shù)據(jù)庫的工作量較大。