TY - THES A1 - Vorbach, Paul T1 - Analysen und Heuristiken zur Verbesserung von OCR-Ergebnissen bei Frakturtexten T1 - Analyses and Heuristics for the Improvement of Optical Character Recognition Results for Fraktur Texts N2 - Zahlreiche Digitalisierungsprojekte machen das Wissen vergangener Jahrhunderte jederzeit verfügbar. Das volle Potenzial der Digitalisierung von Dokumenten entfaltet sich jedoch erst, wenn diese als durchsuchbare Volltexte verfügbar gemacht werden. Mithilfe von OCR-Software kann die Erfassung weitestgehend automatisiert werden. Fraktur war ab dem 16. Jahrhundert bis zur Mitte des 20. Jahrhunderts die verbreitete Schrift des deutschen Sprachraums. Durch einige Besonderheiten von Fraktur bleiben die Erkennungsraten bei Frakturtexten aber meist deutlich hinter den Erkennungsergebnissen bei Antiquatexten zurück. Diese Arbeit konzentriert sich auf die Verbesserung der Erkennungsergebnisse der OCR-Software Tesseract bei Frakturtexten. Dazu wurden die Software und bestehende Sprachpakete gesondert auf die Eigenschaften von Fraktur hin analysiert. Durch spezielles Training und Anpassungen an der Software wurde anschließend versucht, die Ergebnisse zu verbessern und Erkenntnisse über die Effektivität verschiedener Ansätze zu gewinnen. Die Zeichenfehlerraten konnten durch verschiedene Experimente von zuvor 2,5 Prozent auf 1,85 Prozent gesenkt werden. Außerdem werden Werkzeuge vorgestellt, die das Training neuer Schriftarten für Tesseract erleichtern und eine Evaluation der erzielten Verbesserungen ermöglichen. N2 - The knowledge of past centuries is made available by numerous digitization projects. However, the full potential of document digitization only unfolds when those are made available as searchable full texts. Capturing this data can be mostly automatized by using OCR software. Fraktur was the most common typeface between the 16th and 20th centuries. The special characteristics of Fraktur usually cause the recognition rates for these texts to be much worse than those for Antiqua texts. This thesis concentrates on improving the recognition rates of the OCR software Tesseract for Fraktur texts. Therefore, the software as well as several language files has been analyzed regarding the special features of Fraktur. By training the software for Fraktur and by adjusting the software itself we tried to improve recognition results and to gain insights about the effectivity of different approaches. During the course of this work, the character error rates were reduced from 2.5 percent to 1.85 percent. Additionally, tools are being presented, which simplify the process of training Tesseract and which allow the user to evaluate the improvements achieved. KW - Optische Zeichenerkennung KW - Klassifikation KW - Frakturschrift KW - OCR KW - Tesseract Y1 - 2014 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:20-opus-106527 ER - TY - THES A1 - Grigorova, Stanislava T1 - Studien zur Digitalisierung von Campes ‚Verdeutschungswörterbuch‘ T1 - Studies for digitisation of the ,Verdeutschungswörterbuch' by J. H. Campe N2 - Diese Arbeit stellt ein ausführliches Konzept für die Digitalisierung von Campes sogenannten ‚Verdeutschungswörterbuch‘\(^1\) (1813). Campes Opus gilt als Schlüsselwerk für die Zeit um 1800 und ist deshalb sowohl von literaturhistorischem als auch von lexikographischem Interesse. Das Projekt umfasst die wichtigsten konzeptuellen und praktischen Schritte der Erstellung einer digitalen Edition. Untersucht wird der Kontext, in dem die Vorlage zu sehen ist, nämlich Campes Arbeit an der Sprachreinigung und die Genese des ‚Verdeutschungswörterbuchs‘. Für die Texterfassung werden die Möglichkeiten aktueller Software für optische Zeichenerkennung (OCR, Optical Character Recognition) als mögliche Alternative zur Praxis des manuellen Abschreibens von Frakturtexten geprüft. Im Kern des Projekts steht die tiefgehende Kodierung des elektronisch erfassten Textes nach den Richtlinien der ‚Text Encoding Initiative‘ (TEI), die die einzelnen lexikographischen Strukturen sichtbar und für weitere Bearbeitung zugänglich macht. Es wird näher auf jene Problemstellen eingegangen, die logische oder semantische Schwierigkeiten bei der Kodierung darstellen und an denen das TEI-Wörterbuch-Tagset den Ansprüchen eines Wörterbuchs aus dem 19. Jahrhundert möglicherweise nicht vollständig genügen kann und erweitert werden muss. Somit stellt das Projekt auch eine Fallstudie für die retrospektive Digitalisierung historischer Texte am Beispiel einer stark strukturierten Vorlage dar. Die Vorteile der großen Erschließungstiefe für weiterführende Untersuchungen werden durch einen Vorschlag für die Präsentation der kodierten Daten und einige quantifizierende Abfragen dargelegt. Die vorgeschlagenen Arbeitsschritte werden parallel an einer repräsentativen Wörterbuchstrecke praktisch angewandt. Angestrebt wird, dass der Leser den gesamten Prozess vom papiergebundenen Original bis hin zur Onlinepräsentation verfolgen kann. \(^1\) ‚Wörterbuch zur Erklärung und Verdeutschung der unserer Sprache aufgedrungenen fremden Ausdrücke. Ein Ergänzungsband zu Adelungs und Campes Wörterbüchern. Neue starkvermehrte und durchgängig verbesserte Ausgabe von Joachim Heinrich Campe, Doktor der Gottesgelehrtheit.‘ Braunschweig, 1813. N2 - Campe's "Wörterbuch zur Erklärung und Verdeutschung der unserer Sprache aufgedrungenen fremden Ausdrücke" ("Dictionary for explaining and translating into German those foreign expressions which have forced their way into our language"), published in 1813, is considered a key piece for this period and is of interest for both lexicographers and literary-historians. This dissertation presents a comprehensive concept for the digitisation of the dictionary, and comprises the most important conceptual and practical steps in the creation of a digital edition. It gives an overview of the context surrounding the creation of the dictionary and Campe's writings on linguistic purism. The suitability of optical character recognition software for capturing the Gothic font text is tested and is found inferior to the manual transcription. The core of the work explores in detail the encoding of the dictionary structures based on the Text Encoding Initiative (TEI) guidelines that render each lexicographical structure visible and allow for further processing. A closer look is taken at areas that pose logical or semantic difficulties for encoding and where the TEI dictionary tag set does not fully meet the challenges of a 19th century dictionary and needs to be expanded. The advantages of this very detailed encoding for further linguistic studies are demonstrated by a series of quantified queries and by a proposal for the presentation of the encoded data. The work shows the entire digitisation process from the paper original to the online presentation. The encoding concept is tested by applying it to a representative sample of the dictionary and is proved to be robust for the encoding of the entire book. The dissertation can also be seen as a case study of digitisation of highly structured historical texts. KW - Retrodigitalisierung KW - Lexikographie KW - TEI-Kodierung KW - TEI (Text Encoding Initiative) KW - Verdeutschingswörterbuch KW - Optische Zeichenerkennung KW - Digitalisierung KW - Codierung KW - Text Encoding Initiative KW - Lexikographie KW - Optische Zeichenerkennung Y1 - 2016 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:20-opus-133196 ER -