談在信息化檔案管理工作中漢字識(shí)別技術(shù)的應(yīng)用

張春艷

摘要：隨著以信息化為的新技術(shù)革命的到來，計(jì)算機(jī)的廣泛應(yīng)用，使檔案領(lǐng)域進(jìn)入電子時(shí)代。全國(guó)檔案信息化建設(shè)正在掀起新的熱潮，為檔案管理建設(shè)注入了新的活力，加快了檔案帶入信息社會(huì)的腳步。檔案信息網(wǎng)絡(luò)化是在加強(qiáng)檔案信息數(shù)字化管理基礎(chǔ)上，逐步向網(wǎng)絡(luò)化發(fā)展。通過網(wǎng)絡(luò)最大限度的開發(fā)利用已開放檔案資源，使之更好地為經(jīng)濟(jì)和社會(huì)發(fā)展服務(wù)。

關(guān)鍵詞：信息化；漢字識(shí)別

漢字識(shí)別技術(shù)(簡(jiǎn)稱OCR)可以理解為是讓計(jì)算機(jī)認(rèn)字的技術(shù)。它通過光電信號(hào)轉(zhuǎn)換，即文本數(shù)據(jù)。

1漢字識(shí)別技術(shù)的應(yīng)用價(jià)值漢字識(shí)別技術(shù)的應(yīng)用價(jià)值主要體現(xiàn)在兩個(gè)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(kù)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(guó)家的 重要?dú)v史，對(duì)我國(guó)現(xiàn)代化事業(yè)的發(fā)展，對(duì)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(jià)值。但這部分檔案的內(nèi)容都沒有文本數(shù)據(jù)，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(chǔ)于計(jì)算機(jī)中，檢索利用也有不便之處，難于滿足現(xiàn)代社會(huì)對(duì)檔案 信息的多種利用需求。其次，從辦公自動(dòng)化的發(fā)展情況來看，每年接收的檔案中仍然會(huì)有相 當(dāng)數(shù)量的檔案沒有文本文件，或?yàn)橥鈫挝粊砦?，或?yàn)閬G失損壞等。漢字識(shí)別技術(shù)的應(yīng)用價(jià)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(jì)算機(jī)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(jiǎn)便快捷，已是年輕人必備的職業(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(duì)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(kù)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(xiàng)如標(biāo)題、文號(hào)、責(zé)任者等直接移植到檔案目錄數(shù)據(jù)庫(kù)的相應(yīng)字段中去，簡(jiǎn)單易學(xué)，一看就會(huì)。遺憾的是手工"拖拉"速度較慢，而且需要即時(shí)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(kù)提供了一條前所未有的途徑。而且 ，如果利用OCR軟件同時(shí)建立新型的綜合檔案信息數(shù)據(jù)庫(kù)，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。

2 漢字識(shí)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(shí)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(jìn)行加工處理：掃描、識(shí)別、校對(duì)、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(shí)性是檔案的又一個(gè)屬性。漢字識(shí)別后生成的文本數(shù)據(jù)如果不計(jì)算人工校對(duì)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(shí)性。

漢字識(shí)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，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(chǔ)、利用以及不磨損、不丟 失等屬性。因此具有更強(qiáng)的信息性。

漢字識(shí)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(shí)別建立文本數(shù)據(jù)庫(kù)時(shí)，其文本數(shù)據(jù)具有類似于匯編類檔案編研成果的屬性；當(dāng)以編輯出版紙質(zhì)的檔案編研材料如大事記、組織機(jī)構(gòu)沿革、文件匯編等為目的進(jìn)行漢字識(shí)別時(shí)，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?yàn)樗鼈兪怯∷⑵坊虺霭嫖锏谋驹葱畔ⅰ?/p>

由此可見，漢字識(shí)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。

3 漢字識(shí)別技術(shù)的應(yīng)用方式

漢字識(shí)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)水平主要適用于近幾十年來印刷 漢字檔案內(nèi)容的識(shí)別，圖像、文本數(shù)據(jù)的形成、存儲(chǔ)和目錄數(shù)據(jù)的錄入等項(xiàng)工作。主要的應(yīng)用方式有：

3.1利用者閱讀紙質(zhì)檔案的內(nèi)容之后，對(duì)其所需要的內(nèi)容進(jìn)行掃描和漢字識(shí)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(diǎn)主要有：方便用戶，可減少信息利用過程中的重復(fù)勞動(dòng)；不給檔案人員增加建庫(kù)的工作負(fù)擔(dān)；節(jié)省建庫(kù)所需的經(jīng)費(fèi)開支。

其缺點(diǎn)主要有：不能為全文檢索提供數(shù)據(jù)，實(shí)現(xiàn)深層次開發(fā)檔案信息資源的目的；存在對(duì)同一檔案內(nèi)容重復(fù)進(jìn)行掃描和漢字識(shí)別的可能性。

3.2輸入檔案目錄

這是加快檔案目錄信息數(shù)據(jù)庫(kù)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(fèi)用相對(duì)較高。

3.3掃描、保存圖像并提供利用，只針對(duì)利用者需要的圖像內(nèi)容進(jìn)行漢字識(shí)別等利用服務(wù)。

這種方式必須在已有文件目錄的前提下使用。其優(yōu)點(diǎn)主要有：

a. 具有提供原件和提高信息 利用效率的雙重優(yōu)勢(shì)；

b. 檔案人員不承擔(dān)漢字識(shí)別后生成的文本數(shù)據(jù)的維護(hù)工作。

其缺點(diǎn)主要有：

a.同第一種利用方式的缺點(diǎn)。

b.漢字識(shí)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(chǔ)空間較大，約是一般圖像的2~3倍，那么，所需的存儲(chǔ)成本也要高得多。這種高代價(jià)的圖像存儲(chǔ)僅用來滿足用戶利用識(shí) 別的需要似乎有點(diǎn)得不償失。因此低分辨率的圖像也能進(jìn)行漢字識(shí)別，只是識(shí)別率相對(duì)較低而已。我們也曾做過對(duì)比實(shí)驗(yàn)，同一頁印刷質(zhì)量良好的B5紙型文件約500字，以300dpi進(jìn)行掃描，識(shí)別率為100%；以150dpi進(jìn)行掃描，識(shí)別率為99.4%(誤識(shí)3字)。這對(duì)于一般用戶而言無所謂的。

3.4建立文本數(shù)據(jù)庫(kù)

這種方式也應(yīng)在已有文件目錄的條件下使用。其優(yōu)點(diǎn)主要有：

節(jié)省存儲(chǔ)空間和存儲(chǔ)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(chǔ)約需1000字節(jié)；以圖像方式存儲(chǔ)約需25000字節(jié)。因此，同量漢字的文本方式存儲(chǔ)比圖像方式存儲(chǔ)成本低得多。

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(diǎn)主要有：建立文本數(shù)據(jù)庫(kù)的工作量較大;不能滿足用戶閱讀檔案原件的需求; 由于沒有圖像隨時(shí)提供依據(jù)，不便于對(duì)文本數(shù)據(jù)的準(zhǔn)確性進(jìn)行核實(shí);輸入目錄并保存圖像;輸入目錄、建立文本數(shù)據(jù)庫(kù);保存圖像、建立文本件數(shù)據(jù);輸入目錄、保存圖像并建立文本數(shù)據(jù)庫(kù)。

這是充分發(fā)揮OCR軟件功能，深層次開發(fā)利用檔案信息資源的應(yīng)用方式。但工程量較大，人力、資金需求較多，建庫(kù)周期較長(zhǎng)。

隨著漢字識(shí)別技術(shù)水平的提高和應(yīng)用的普及，可能還會(huì)產(chǎn)生新的應(yīng)用方式，但無論使用哪一種方式，都必須符合本單位檔案管理工作的實(shí)際，統(tǒng)籌考慮檔案狀況、人員配備、經(jīng)費(fèi)能力、辦公自動(dòng)化水平、檔案現(xiàn)代化建設(shè)發(fā)展規(guī)劃等方面的因素，以切實(shí)提高檔案信息資源開發(fā)利用能力為目的，這樣才能收到事半功倍的效果。