简介：古籍OCR并不只是“拍图转文字”，更涉及版面分析、字形适配、噪声抑制与后处理校验。本文从工程实践角度梳理六类常见古籍识别方法，帮助开发者根据馆藏资源、扫描质量与项目预算选择合适路线，并从分辨率、倾斜校正、对比度、标注数据等维度提升识别稳定性。
在很多开发者的认知中，OCR已经是一项相对成熟的技术，身份证、票据、表单、扫描件等场景都有较高识别率。但把同样思路迁移到古籍数字化时，往往会遇到明显落差。原因并不在于识别模型“不够好”，而在于古籍文本本身具有较大特殊性。
第一，古籍版式复杂。古籍常包含双行小注、眉批、侧批、栏线、界行、鱼尾、书口等多种版面元素，正文与注释混排，甚至同一页面同时存在不同字号、不同字体、不同阅读方向。现代文档OCR通常默认版面规整、阅读方向单一，如果直接套用，容易把批注误认为正文，或者把双行小注切错行。
第二，字形差异显著。古籍中大量使用异体字、俗字、避讳字、合体字、古字与手写刻工变体。即使同一个汉字，不同刻本、不同时期、不同刻工写法的差异也可能很大。如果模型主要基于现代印刷体训练，对这类字形的泛化能力会明显下降。
第三，纸面噪声复杂。古籍扫描件普遍存在页面泛黄、霉斑、虫蛀、水渍、透字、背面文字干扰、墨迹浓淡不均等问题。噪声并不是简单地“抹掉”就行，很多噪声与笔画相互交叠，强去噪会破坏字形边缘，弱去噪又无法抑制背景干扰。
第四，标注数据稀缺。现代OCR可以轻易获得大量公开数据，但古籍识别的高质量标注依赖专业文献学、历史学人员参与，成本较高。这也导致通用模型不一定能在特定馆藏或特定刻本上直接达到理想效果。
因此，古籍OCR的技术选型不能只关注“单字识别准确率”，还需要综合考量版面分析能力、异体字适配能力、图像预处理能力、后处理纠错能力以及可定制化程度。下面从六个常见方向分别说明。
这是目前工程上比较常见的一条路线。通用高精度OCR引擎通常具备较完善的检测、识别、版面分析流水线，对印刷体文本有较好基础效果。用于古籍时，关键是做好图像预处理和版本适配，而不是直接调用默认参数。
在扫描阶段，通常建议将分辨率设置在300DPI以上。较低分辨率会导致小字号或笔画密集区域出现粘连，尤其对竖排文字和双行小注影响更明显。300DPI并不是一个绝对标准，而是实践中的经验起点；如果原书开本较小、字号较密，可以进一步提高到400DPI或600DPI。
亮度和对比度同样重要。亮度过高容易丢失浅墨笔画，亮度过低则会让纸张纹理、霉斑、背面透字更加突出。一般建议在扫描或后期处理中保持背景不过曝、笔画不粘连，并尽量让文字区域与背景形成稳定对比。部分引擎对轻微页面歪斜、透光、透字有一定容忍度，但当倾斜角度较大或污损严重时，识别率会明显下降。工程上通常建议在进入OCR之前先进行倾斜校正、去噪和二值化处理。
这一路线的优点是实现成本较低，适合馆藏量大、批量扫描、版式相对规整的刻本与石印本。缺点是遇到大量异体字、批注混排或版式极端复杂时，仍需要结合词典、语言模型或专用训练进行增强。
如果项目具有持续建设属性，或者需要覆盖某类特定馆藏，例如某一时期的地方志、族谱、佛经、契约文书等，可以考虑基于开源OCR模型进行领域微调。这里并不限定某一具体开源项目，而是将其理解为一种通用技术路线。
领域微调的思路通常包括：先使用通用场景训练好的检测模型和识别模型作为初始化权重，再用古籍标注数据进行继续训练。检测阶段重点强化对双行小注、竖排文本行、栏线干扰的识别；识别阶段重点强化异体字、俗字、繁简混合、生僻字以及刻工字形的覆盖。
这种方案的优势在于可以逐步形成机构内部可复用的古籍识别能力，尤其是当馆藏类型集中、字体风格相对稳定时，几百到几千页高质量标注往往就能带来明显提升。但也要注意，微调不等于一次性训练完成。真实项目中应建立“识别—校对—回流训练”的闭环，把人工校对结果不断转化为新的训练样本，使模型随项目推进持续优化。
古籍识别失败的原因，很多时候并不是文字本身认不出，而是版面分析错误。例如把左右两栏连在一起、把眉批拼入正文、把双行小注拆成两个独立行、把页码或书口文字混进段落等。错误的版面切分会让后续识别即使“每个字都正确”，最终输出的文本顺序也是混乱的。
因此，在正式识别前增加独立的版面分析步骤是值得投入的方向。版面分析的任务包括：检测页面中的文本区域、划分正文与注释、识别栏线、判断文本方向、区分大字与小字、标注阅读顺序等。对于版式比较固定的古籍，还可以基于模板规则进行辅助，例如先检测版框位置，再在版框内划分行格。
将版面分析前置后，OCR只处理已经切分好的文本块。这样做有几个好处：一是降低识别模型对复杂版式的处理压力；二是便于后续按语义顺序重组文本；三是不同区域可以采用不同识别策略，例如正文使用整行识别，小注使用更大分辨率或单独的识别模型。
实践中的常见做法是：先做整页检测，再去掉栏线和边框，然后根据水平投影与垂直投影切分行列，最后判断每行是否存在双行结构。对于倾斜页面，先进行投影校正或透视校正，否则行列切分容易出现系统性偏差。
图像预处理不是“把图修好看”，而是为了提升OCR输入质量。古籍图像的预处理通常包含以下环节：
这些处理不一定越多越好。例如，激进的二值化可能把浅墨小字抹掉，强烈的去噪可能破坏笔画末端，过度清晰化也会引入伪边缘。更稳妥的方式是建立质量门禁，在每一道处理后评估文字区域对比度、笔画连通性、版面完整性等指标，不符合要求的页面转入人工处理或更高强度预处理流程。
从工程角度看，图像预处理的目标是让OCR在稳定、一致的输入条件下工作。扫描端如果能控制好分辨率、光照和页面平整度，后续算法处理压力会小很多。若扫描端条件较差，仅依赖算法弥补，通常只能做到“部分恢复”，无法完全替代源头质量。
OCR输出结果并不等于最终文本。古籍数字化项目通常需要把识别结果进一步整理为可检索、可统计、可发布的格式，因此后处理纠错环节非常关键。
后处理可以分为规则层、语言模型层和知识库层。规则层主要处理明显格式错误，例如标点缺失、空白异常、行序错误、重复切分等。语言模型层可以利用大规模古籍语料训练字符级或词级语言模型，对识别结果进行自动纠错，例如根据上下文判断“巳”“已”“己”或“戍”“戌”“戊”等易混字。知识库层则结合人名、地名、官名、书名、年号、避讳规则等先验信息，对特定文本进行校验。
需要强调的是，后处理纠错不能完全代替人工校对。对于正式出版级或学术级数字化成果，通常建议采用“机器识别+自动纠错+人工抽校/全校”的组合流程。机器部分解决效率和一致性问题，人工部分处理疑难字、异体字规范、语义歧义和格式标引。
如果机构需要长期、批量处理古籍，单次调用某个识别接口或某段脚本很难形成可持续能力。更合理的做法是构建一条机构级识别流水线，将扫描规范、图像质量检查、版面分析、OCR识别、后处理、人工校对、版本管理、数据回流等环节串联起来。
流水线的核心价值在于可重复、可评估、可优化。例如，每一批古籍进入系统前，先根据扫描清单检查DPI、色彩模式、文件命名、页面数量等基础信息；进入处理阶段后，自动生成页面级质量评分和识别置信度；低于阈值的页面进入人工复核队列；所有人工修改结果回写到训练集或规则库中，用于下一轮优化。
这种模式并不要求一开始就建设庞大系统。小规模项目可以从目录约定、命名规范、处理脚本和简单数据库开始，逐步将各环节固化为标准流程。关键是每个环节都保留可观测数据，避免“只看到最终文本，不知道中间哪里出错”。
从实践看，决定古籍OCR上线效果的因素通常包括以下几个方面：
第一，扫描质量。分辨率、光照、页面平整度、色彩模式会直接影响后续所有环节。300DPI以上是普遍建议，但更重要的是扫描图像中文字是否清晰可辨、笔画是否连续、是否有大面积阴影或模糊。
第二，倾斜程度。轻微倾斜可以通过算法校正，但当文字倾斜超过约10°时，版面分析、行切分和识别效果都会明显下降。对于装订较紧、书脊附近弯曲明显的古籍，建议使用专用书刊扫描设备或拍摄后进行透视校正。
第三，污损程度。页面污损、虫蛀、水渍、霉斑等问题会同时影响检测和识别。如果污损集中出现在版心外，可以通过版面分析剔除；如果污损覆盖正文，则往往需要人工判读或借助多版本比对。
第四，字体与版式差异。不同时期、不同地区的刻本在字体、行款、栏线、用字习惯上差异较大。同一个模型在A馆藏上表现良好，不代表迁移到B馆藏时也能保持相同水平。因此，在项目启动前应选择有代表性的样本进行小规模验证。
第五，标注与迭代机制。古籍OCR的长期效果，很大程度取决于是否建立了持续回流机制。只靠首次训练或默认模型，难以覆盖所有异体字和版式变化。把人工校对积累的高质量样本不断用于模型优化，是提升上限的重要方式。
对于刚开始接触古籍数字化的团队，建议不要一开始就追求复杂模型或大规模训练，而是按照以下顺序推进：
如果版面复杂、异体字较多，优先投入放在版面分析和数据标注上；如果扫描质量波动较大，优先完善扫描规范与图像质量门禁；如果识别结果整体可读但形近字错误较多，则优先加强语言模型和知识库后处理。
古籍OCR并不是单一模型问题，而是涉及扫描、图像处理、版面分析、字符识别、语言模型、人工校对与数据迭代的系统工程。选择什么方案，取决于馆藏特征、项目目标、预算规模和可持续投入能力。
最稳妥的方式通常不是寻找某一个“最强工具”，而是先形成可评估的基线，再针对主要错误来源逐步优化。无论采用哪种路线，保持扫描质量稳定、建立高质量标注闭环、重视版面分析和后处理，都是提升古籍识别效果的核心要素。