發信人: maha <maha@tpts1.seed.net.tw>, 信區: BudaTech
標  題: 掃瞄檔處理流程
發信站: (NEWS/INFO) National Sun Yat-San University (Tue Nov 18 16:18:50 1997)
轉信站: Lion!ccnews.nsysu!news.nsysu!not-for-mail
來  源: buddha.nsysu.edu.tw

感謝大家熱情贊助。這件認養工作，截至目前有意加入者六人，若加
上原有的三位認養者，及提供技術的Heaven，跟居中協調的我，共有
十一人，就暫且名之為「佛教藏 OCR小組」。

由於剛在一起作業，這陣子可能有些事項需要溝通協調，對於較為廣
泛性的問題，往後就讓我們一起討論吧（請適當的更換標題）。若再
有新加入者，我會隨時通知各位。

底下是我對QUIZ來函的回覆。

QUIZ wrote:
> 
> 　我一直在想說，通通灌到大硬碟去，然後去圈點程式給他
> 　２４小時去執行。丹青可以的話也照辦。這樣就可以只
> 　剩下校對的工作了說。而且通通轉成文字檔了。
> 
> 　文字校對時，網友間要分工的話，傳文字檔當然比傳圖
> 　檔更有效率囉。
>
> 　通通轉成文字後，那鍋校稿的義工，可以自備經本，或到圖書館
> 　等去借。只傳文字檔給他就可以了。那麼會有很多人有能力共襄
> 　盛舉的。
> 
> 　因為去圈點，使用丹青等等，這些比較技術性，可能不太好找人。
> 　再加上圖檔傳遞也不是很方便（您可累了...^_^）
> 
> 　因此我覺得如果可以分工，多人多台電腦處理，通通先轉成文字檔
> 　可能也不錯。品質也比較整齊說。

如果「通通轉成文字後，那鍋校稿的義工，可以自備經本」去校對，
這樣當然有很多的便利，檔案傳輸比較簡易，可以參與的人也會比較
多。不過，這種便利我們以後或許會用得上，但卻不是現在這個環節
。請看我以下幾點說明。

  1.既已採用 OCR作業，線上校對時可以一邊看掃瞄圖、一邊看辨識
    後的文字來修正，這樣的好處不可輕易放棄。
  2.這次經由 OCR線上校對產生的文字檔，將不再把所去掉的圈點加
    入文字中，也就是說結果是一個不含圈點的文字檔。因為這些結
    果的最大用處是拿來跟另一個依大正藏格式輸入的經文檔做文字
    上的比對，以此來訂正大正藏經文檔的錯誤。
  3.等檔案比對完成後，必須再做一次人工校對，這時候就可以考慮
    採行QUIZ的方法，讓更多的人來參與，只是所用以校對的經本必
    須得是大正藏才行。
  4.QUIZ的方法還可以應用在依大正藏格式所輸入的經文檔。這個經
    文檔已經有了，有25冊。但因為是從 CCCII轉碼過來的，品質不
    是很好。必須至少得人工校對一遍，才可以拿來應用在檔案比對
    上。
  5.QUIZ的方法固有可取之處，但也不要輕忽了它在管理方面所需付
    出的成本。到底是採取網路作業戰略，還是找一組固定的校對人
    馬（支薪的專業校對人員，或不支薪但有訓練的義工），這是佛
    研中心跟我們都還在評估的。

所以，對於這些經文圖檔，我的主意是確實把線上校對做好。

我們的整個作業流程大致如下：

　1.轉換圖檔格式：利用 PSP程式將.tif檔批次轉成.bmp。如果去點
                  程式有所改良，此步驟可省略。
  2.執行去點程式：此步驟的目的是批次的把影響 OCR辨識作業的圖
                  形圈點去除。
  3.開始 OCR作業：視記憶體狀況，一次可以讀入多頁圖檔進行辨識
                  。記得大力使用 OCR的學習字庫功能。
  4.進行線上校對：OCR 辨識完畢後，即可進行一邊看掃瞄圖、一邊
                  看辨識的文字來校對。完畢後依序一頁存成一個
                  文字檔。
  5.合併完成檔案：將每頁一個檔案，合併成每卷一個檔案。

至於作業細節，都裝在我腦袋裡，得花一點時間來斟酌。各位若有想
到什麼，也可以事先反應討論。

因為大家先後所認養的範圍可能有所重疊，我必須做一些調整。再等
幾天吧，讓有意願處理的人通通出爐，我再來做一個較好的分配。

                                               maha 11/18/97