古籍OCR为什么难？异体字、版式和图像质量的影响

OCR可以把古籍图片转成可检索文字，但古籍识别远比现代横排印刷品复杂。识别结果适合辅助检索和初步整理，不能未经校对直接作为可靠全文。

字体和字符系统复杂

古籍包含繁体字、异体字、俗体字、避讳缺笔和雕版变形，同一个字在不同刻本中写法可能明显不同。通用模型如果训练材料不足，容易把相近部件误认。

竖排与双行小注增加难度

正文、双行注文、眉批、夹注和版心文字方向与字号不同。若版面分析先把区域切错，后续字符识别再准确也无法恢复正确语序。

原始图像决定识别上限

模糊、透字、污渍、虫蛀、歪斜和光照不均都会影响笔画。过度二值化或降噪又可能把细笔画删除。应保留原始母版，在副本上进行纠偏、裁切和增强。

建立分层校对流程

先校书名、卷次、叶码和段落顺序，再处理正文字符；人名、地名、方名和术语应建立专门词表。重要文本最好由不同人员复核，并保留图文对照位置。

图片版与文本版各有价值

OCR文本便于检索、标引和统计，原始书影则保留版式、钤印、批校和字形信息。数字化项目不应以文本替代书影，而应让二者关联使用。