Społeczna korekta post-OCR w bibliotekach cyfrowych
Loading...
Date
2011
Authors
Advisor
Editor
Journal Title
Journal ISSN
Volume Title
Publisher
SORUS S.C. Wydawnictwo i Drukarnia Cyfrowa
Title alternative
Abstract
Biblioteki coraz częściej dokonują konwersji swoich zbiorów do postaci cyfrowej.
Otrzymywane w procesie skanowania obrazy rastrowe są przechowywane na serwerze,
a ich wyszukiwanie odbywa się dzięki wprowadzanym do systemu metadanym. Aby
umożliwić przeszukiwanie pełnotekstowe niezbędne jest wykorzystanie technologii OCR
(ang. Optical Character Recognition). Niestety, automatyczne rozpoznanie tekstów wielu
publikacji jest bardzo utrudnione. Wpływa na to kilka czynników: niska jakość materiału
wejściowego spowodowana nieprecyzyjnym drukiem (zamazane znaki, duplikowane
litery, niewielki rozmiar czcionki) czy papier o niskiej gramaturze, co powoduje efekt
przebijania strony odwrotnej podczas skanowania. Złe warunki przechowywania (wilgotność)
powodują marszczenie papieru, falowanie jego powierzchni, co z kolei sprawia, że
tekst nie jest skanowany w linii prostej. Jednym z podstawowych sposobów wspomagających
proces rozpoznania tekstu jest korekta słownikowa (często w czasie rzeczywistym).
Biblioteki coraz częściej korzystają ze społecznej, zbiorowej korekty danych post-OCR
(collaborative OCR text correction). Cechuje się ona m.in. wysoką trafnością oraz niskim
nakładem kosztów.
Increasing numbers of libraries are converting their collections to digital form. The digital images are obtained through a process of scanning, and are searched based on metadata which is entered into the system. To enable full-text searching, it is necessary to make use of Optical Character Recognition (OCR) technology. Unfortunately, automatic recognition of text in historical publications is very difficult. This is due to several factors, including low quality of the input due to imprecise printing (smudged characters, duplicated letters, small font size), and the thinness of the paper, which causes the reverse side to show through during scanning. Poor storage conditions (humidity) cause the paper to wrinkle. Improper storage also means that the text is not scanned in a straight line. One of the basic methods used to support the text recognition process is dictionary-based correction (often in real time). More and more often, electronic libraries are making use of public collaborative OCR text correction. This offers a high level of accuracy at low cost.
Increasing numbers of libraries are converting their collections to digital form. The digital images are obtained through a process of scanning, and are searched based on metadata which is entered into the system. To enable full-text searching, it is necessary to make use of Optical Character Recognition (OCR) technology. Unfortunately, automatic recognition of text in historical publications is very difficult. This is due to several factors, including low quality of the input due to imprecise printing (smudged characters, duplicated letters, small font size), and the thinness of the paper, which causes the reverse side to show through during scanning. Poor storage conditions (humidity) cause the paper to wrinkle. Improper storage also means that the text is not scanned in a straight line. One of the basic methods used to support the text recognition process is dictionary-based correction (often in real time). More and more often, electronic libraries are making use of public collaborative OCR text correction. This offers a high level of accuracy at low cost.
Description
Sponsor
Keywords
społeczna korekta post-OCR, public collaborative OCR text correction, Optical Character Recognition (OCR), technologia OCR, biblioteki cyfrowe
Citation
Język. Komunikacja. Informacja, 2010/2011, tom 5, s.123-134