数据集概述
本数据集包含柏林国家图书馆50页数字化历史报纸的真值数据，用于OCR/OLR系统的训练与评估，由欧盟ICT-PSP项目Europeana Newspapers产出。数据集含PAGE-XML格式真值文件、全分辨率及二值化扫描图像、对应OCR结果等5个压缩包，为历史报纸文本识别技术提供标准化测试资源。
文件详解
- gt_page.zip
- 文件格式：ZIP（内含PAGE-XML文件）
- 字段映射介绍：遵循PAGE-XML格式标准，包含历史报纸页面的结构化真值信息，用于OCR/OLR系统的标注与评估
- img_full.zip
- 文件格式：ZIP（内含TIF文件）
- 字段映射介绍：历史报纸全分辨率扫描图像，为原始图像数据源
- img_bin.zip
- 文件格式：ZIP（内含TIF文件）
- 字段映射介绍：经Gatos方法二值化处理的历史报纸图像，用于OCR系统的二值化输入测试
- ocr_full.zip
- 文件格式：ZIP
- 字段映射介绍：基于全分辨率图像的FineReaderEngine11 OCR识别结果，用于与真值数据对比评估
- ocr_bin.zip
- 文件格式：ZIP
- 字段映射介绍：基于二值化图像的FineReaderEngine11 OCR识别结果，用于不同图像预处理下的OCR性能对比
数据来源
柏林国家图书馆（Berlin State Library），欧盟ICT-PSP项目Europeana Newspapers
适用场景
- OCR/OLR系统训练与评估：用于文本识别模型的训练、参数调优及性能测试
- 历史文献数字化技术研究：分析不同图像预处理（全分辨率/二值化）对OCR结果的影响
- 历史报纸文本识别算法对比：通过标准化真值数据，客观比较不同OCR引擎的准确率
- 数字人文资源建设：为历史报纸数字化项目提供技术验证与质量控制的参考标准
