Hier eine kurze Liste von Gründen, warum die OCR für historische Texte eine wirkliche Herausforderung darstellt.

Bildqualität

• Scans von alten Dokumenten sind oft mangelhaft, eine gute Scanqualität ist jedoch entscheidend für eine gute OCR. Probleme:
  • Gewelltes Papier
  • Papierseiten sind verklebt
  • Verschachtelte Layouts
  • Gebogene Textzeilen, wenn vorliegende Dokumente vorsichtig behandelt werden müssen und nicht ganz geöffnet werden können

Layouterkennung

• Historische Bücher/Dokumente haben oft eine andere Layoutstruktur als moderne Texte.
  Spezielle Algorithmen, die für die Erkennung von modernen Layout entwickelt wurde, liefern auf alten Dokumenten keine zufriedenstellenden Ergebnisse.
• Alte Zeitungen sind manchmal eine wahre Herausforderung
  • Kleine Schriften
  • Komplexe Layouts
  • Lese-Reihenfolge

Verwendete Typo

• Alte Schriftarten werden verwendet - Standard OCR-Lösungen können keine Fraktur-Schriften erkennen
• Die Qualität der Buchstaben ist zu schlecht
  • Unvollständige Zeichen
  • Vermischt mit Dreck, Anmerkungen oder Scanrauschen
• Für die auf alten Dokumenten verwendeten Schrifttypen gibt es keine Pendants in modernen Computerschriften

Probleme durch die alte Sprache

• Da es zur Entstehung der Dokumente keine einheitliche Rechtschreibung gab, variiert die Schreibweise einzelner Wörter zum Teil erheblich
• Es gibt keine historischen Wörterbücher

Weitere Informationen:

• The challenges of historical materials and an overview on the technical solutions in IMPACT
  Sven Schlarb of the Österreichische Nationalbibliothek (Austrian National Library)
• OCR in libraries – some practical remarks
  Günter Mühlberger of Universitäts- und Landesbibliothek Tirol (University and Regional Library Tyrol)

Quellen: Die Bilder stammen aus den verlinken Präsentationen.