OCR en toepassing bij de KB by Marian Hellema

OCR en toepassing bij de KB IMPACT Demo-dagMarian Hellema, 16 februari 2011

© 2010 Koninklijke Bibliotheek – Nationale bibliotheek van Nederland

OCR en toepassing bij de KB

Origineel



DigitaliserenOnder meer:• Image van iedere pagina• OCR: tekstuele versie



Waarom OCR?• Zoeken en vinden

– fulltext search• Presentatie

– highlighten van zoektermen– alleen-tekst-presentatie



Zoeken (fulltext search)• Tekst wordt geïndexeerd in zoekmachine



Presentatie: highlighting



Presentatie: alleen-tekst



Layout-informatieStandaard: ALTO• OCR-tekst en coördinaten

– tekstblokken, regels en woorden– coördinaten geven de positie op de pagina aan– gekoppeld aan het image van de pagina

• informatie over de betrouwbaarheid van de tekenherkenning• layout-informatie



Stukje ALTO

<TextBlock ID="P1_TB00004" HPOS="105" VPOS="145" WIDTH="457" HEIGHT="57“ STYLEREFS="TXT_0 PAR_LEFT">

<TextLine ID="P1_TL00006" HPOS="135" VPOS="155" WIDTH="423" HEIGHT="43"> <String ID="P1_ST00019" HPOS="135" VPOS="163" WIDTH="25" HEIGHT="34“

CONTENT="9" WC="0.51" CC="4"/>...

<String ID="P1_ST00020" HPOS="184" VPOS="157" WIDTH="234" HEIGHT="39" CONTENT="NOVEMBER" WC="0.98" CC="93748026"/>

... <String ID="P1_ST00021" HPOS="446" VPOS="155" WIDTH="111" HEIGHT="38"

CONTENT="1837." WC="0.53" CC="15654"/></TextLine>

</TextBlock>



Hoe gaat OCR in zijn werk?• bewerken van images

– despeckling, rechtzetten, .....• analyse van de pagina

– herkenning van illustraties, lijnen, tekstblokken, regels, woorden, ....

– herkenning van logische documentstructuur: titels, paginanummers, inhoudsopgave, ...

• tekenherkenning



Hoe gaat OCR in zijn werk?Extra mogelijkheden:• training van de software• inzetten van woordenboeken



Waarom is IMPACT nodig?

OCR en toepassing bij de KB by Marian Hellema

Education

Transcript of OCR en toepassing bij de KB by Marian Hellema