古籍识别提效指南：从杂乱OCR到自动版面还原的实践路径

一、古籍识别的真正门槛：不是“认字”，而是“懂版面”

在历史文献数字化项目中，很多团队会遇到一个看似矛盾的现象：通用OCR引擎对印刷体现代文档的识别准确率已普遍达到99%以上，但面对古籍扫描件时，准确率却断崖式下降。问题根源并不在于单个字符的识别模型不够强，而在于古籍版式与今文排版存在结构性差异。

古籍版面至少包含三个维度的特殊信息：

1. 文字流向：传统古籍采用竖排、从右至左的阅读顺序，部分页面还会出现上下分栏、双行小注等复杂层级；
2. 区域混排：正文、批注、眉批、插图、印章等元素常常在同一页内交错叠加，且彼此之间没有清晰的分隔线；
3. 书写多样性：刻本、写本、稿本之间的字体形态差异巨大，手写批注的存在更让常规字符识别模型难以稳定输出。

因此，一个专业的古籍识别系统，首先要解决的是版面理解问题——在OCR之前完成区域检测、类型分类与阅读排序，之后才能谈得上字符识别。缺少这一步，再强的文字识别引擎也会因为错误输入而产出混乱结果，甚至将批注混入正文，将注释误当标题。

二、版面分割引擎的架构与核心能力

我处理过一批明代军户文书，这批材料属于典型的写本类型，兼具竖排正文与行间批注，部分页面还带有横向批示。早期试验时，使用通用OCR工具直接识别，结果批注文本与正文窜行，校对人员不得不逐字重排逻辑顺序，耗时甚至超过人工录入。后续换用具备深度学习版面分割能力的识别引擎后，情况才根本改观。

这类引擎的设计通常遵循“版面分析 → 区域分类 → 阅读顺序重建 → 字符识别”四步流水线，其技术要点可拆解如下：

1. 版面自动分割：基于深度学习的区域检测

深度语义分割模型能够在像素级对页面进行标注，区分文字区域、插画区域、印章区域与背景。关键在于它并不假设版式为固定模板，而是根据图像特征自适应识别出每个区域的真实边界。

以最常见的竖排混排为例：页面往往同时包含正文栏与行间批注栏，两栏之间没有规则线框，仅靠字距和行距区分。传统OCR依赖投影剖面分析的算法在此时便会失灵——因为投影方向、阈值选择稍有偏差，两个区域的字符就会发生粘连或分离错误。基于深度学习的版面分割模型则通过多层卷积特征提取，能够捕捉“字块密度差异”“行间距局部变化”等语义级信号，避免硬切割带来的结构性破坏。

2. 区域类型标注：区分正文、批注、插图与印章

分割出区域后的第二步，是为每个区域赋予语义标签。这一能力直接决定了后续文本抽取的逻辑。以明代文书为例：

• 正文区：按竖排顺序识别，输出为主文本流；
• 批注区：可能是行间小字，也可能是页眉眉批，需要标记为独立注释单元；
• 插图区：包括手绘舆图、刑具图、人物像等，应跳过文字识别，保留为图像对象；
• 印章区：红色印文常与墨色文字混叠，需要单独处理，避免干扰正文识别。

现代版面分析引擎普遍采用多任务学习框架，在检测区域位置的同时，输出区域类别概率分布，从而在一次前向计算中完成区域定位与类型判定。

3. 阅读顺序还原：遵循古籍从右至左、自上而下的惯例

检测出所有文字区域后，只是拿到了一堆“碎片”，若不能按正确顺序拼接，输出依然无法使用。阅读顺序重建模块负责将各区域按阅读逻辑排序——这里的“逻辑”并非简单以坐标排序，因为古籍存在上下栏交错的情况。

以双栏页面为例：上栏第一列从右至左读完后，应当进入下栏第一列，还是跳回上栏第二列？这取决于版心划分线、栏间距等版面特征。深度模型能从训练样本中习得排版层次结构，给出符合刻印惯例的区域依存关系，最终输出完整的流水文本。

三、六类古籍识别场景的应对策略

基于版面分割引擎的能力边界，可以梳理出六类高频的识别场景及对应策略，供不同文献类型的处理团队参考：

场景一：坊刻本（印刷体、工整竖排）

此类材料的字符形状相对规范，版面干扰较少。将图片送入版面分割引擎后，可直接获得稳定的正文区域与页码区域。识别率通常能保持在较高水平。关键点在于处理好鱼尾、象鼻等版心装饰元素，防止被误判为文字。

场景二：写本/稿本（手写体、存在大量勾画）

写本识别难度远高于刻本，挑战不仅来自字形变异，更在于涂抹、增删、工笔旁注等动态修改痕迹。版面分割引擎需要能够识别“行间夹注”为独立批注区域，而不是简单并入正文。处理此类材料时，应优先使用支持“区域遮罩”的流程：在识别前对涂改区域进行手工标记，强制引擎跳过该区域或转为图像保存。

场景三：混合版式（竖排+横排批注、表格）

在明清奏折、地方志中，常见竖排正文配横排表注。传统OCR引擎往往假设整页文字方向一致，遇到混排时会输出方向错乱的文本流。版面分割引擎的优势在于：它能在区域检测阶段就按方向分组——水平文字区使用横向序列模型，垂直文字区使用纵向序列模型，最终在输出层进行统一拼接。

场景四：上下双栏（经史子集类常见版式）

双栏书籍的分栏线有时清晰可见，有时因印刷移位而模糊。区域分割需要识别出“栏间隙”的位置，并将同一栏内的文本维持为连续行。处理建议是：不要依赖固定栏间距的假设，而应使用模型预测每条栏的分隔边界，再按“右栏自上而下、再左栏自上而下”的顺序输出。

场景五：图注混排（插图与说明文字交织）

古籍中的天文图、地理图往往细节繁密，文字与图形贴近。此类页面建议启用“图像优先”策略——先通过分割引擎将插画区域与文字区域完整剥离，对插画区域保存为独立图层，对文字区域再做识别。若说明文字环绕图形排列，还需要启用“环绕文本排列”模式，才能输出符合阅读顺序的文本。

场景六：残损页/污渍页（扫描质量差）

虫蛀、霉变、油渍等物理损伤会导致字符断裂或背景噪点丰富。现代OCR引擎普遍内置了图像增强预处理模块（去噪、二值化、对比度拉伸），但在实际操作中，建议根据扫描精度调整阈值——对于300dpi以上的扫描件，优先使用轻量增强；对于只具备150dpi的低分辨率图片，应先做超分辨率重建，再进入版面分析流程。

四、工程实践中的关键参数与流程设计

一个可再生、可质检的古籍识别流水线，绝不仅是“上传图片—获取文本”两步。合理的工程框架分为四个阶段：

阶段一：图像预处理与规范化

• 统一图片分辨率（建议不低于300dpi）；
• 做倾斜校正（skew correction），确保版面分割模型输入的图像方向正确；
• 色彩空间归一化，避免因扫描仪差异导致分割边界偏移。

阶段二：版面分析与文本抽取

将预处理图像送入版面分割引擎，输出为JSON结构，包含区域矩形坐标、类别标签与置信度。接下来基于阅读顺序进行文本拼接。若引擎提供“原文顺序输出”参数，应优先启用，减少后续人工排序工作量。

阶段三：结构化输出与校对

最终输出HTML或XML格式文档，同时保留原始版面坐标信息，方便前端展示时做“原文定位”关联。校对环节可使用双轨策略：一是人工逐页抽查，二是用N-gram语言模型检测上下文连贯性，自动标注疑似乱序段落。

阶段四：质量评估与反馈闭环

整理每批次的区域分割准确率、文本识别置信度、手工修正频次等指标。根据高频错误类型调整识别参数。深度学习模型的价值在于持续迭代——每次校对修正都应纳入后续训练集，提高模型对同类型古籍版面的适应能力。

五、选择引擎时的评估维度清单

结合实际项目经验，梳理出古籍识别引擎选型的六项核心评估维度：

评估维度	关键问题	建议权重
版面分割粒度	能否区分上下栏、批注、插图、印章？	高
竖排支持	是否原生支持竖排序列模型，还是依赖旋转预处理？	高
混排处理	一份文档中同时存在横排和竖排时，如何处理？	中
顺序还原	输出文本是否符合从右至左、自上而下的阅读顺序？	高
定制化能力	是否允许上传样本做版面微调（fine-tune）？	中
输出格式	是否输出带区域坐标的结构化文本（JSON/XML）？	中

在评估时，可以使用同一批测试集（建议不少于50页，包含刻本、写本、混排三种类型）进行横向试测，重点关注“段落级正确率”而非“字符级正确率”——前者才是实际可使用性的最直接度量。

六、结语：从“光学字符识别”到“版面语义理解”

古籍识别的实质，并不只是将图像中的字形转换为Unicode编码，更重要的是完整保留原页面中蕴含的阅读逻辑与文献结构。一款成熟的识别方案，其价值应当体现在：

• 能够准确切分“正文—批注—图—印”的不同语义块；
• 能够按照古籍阅读惯例输出带正确顺序的文本流；
• 能够为后续数据库建设、全文检索、在线影印对照提供结构化数据基础。

避免将“能识别出几个字”作为方案是否可用的唯一标准。建议所有处理团队在选型初期，将版面分割能力置于与字符识别率同等重要——甚至更优先的位置。只有先让引擎学会看“版式”，才能真正让机器读懂“古籍”。