OCR zur Vorbereitung Digitaler Editionen

Beitrag von Elisa Herrmann (HAB)

Ein beträchtlicher Teil des im deutschen Sprachraum erschienenen schriftlichen kulturellen Erbes ist in mehreren, durch die DFG geförderten Kampagnen digitalisiert und in VD16, VD 17 und VD 18 nachgewiesen worden. Auch wenn damit viel erreicht und die Forschungsbedingungen erheblich verbessert wurden, ist dies doch nur erst eine unabdingbare Voraussetzung für den zweiten Schritt: die vollständige Umwandlung der Images in eine maschinenlesbare Form. Das gesamte schriftliche Kulturerbe als Volltext für Recherche und weitere Bearbeitung, etwa für digitale Editionen zur Verfügung zu stellen ist nicht nur eine verwegene Vision, sondern angesichts der jüngsten technischen Entwicklungen im Bereich OCR  ein realistisches Szenario.

Vom Bild zum Text – Der OCR-Prozess

Der OCR-Prozess beginnt bereits einige Schritte vor der eigentlichen Texterkennung. Zunächst wird das Bilddigitalisat im Preprocessing vorbereitet. Prozessschritte können dabei das Zuschneiden (Cropping), das Begradigen (Deskewing) und Entzerren (Dewarping) der Seiten sowie das automatische Bereinigen (Despeckling) sein. Das Preprocessing wird meist durch die Binarisierung abgeschlossen. Zu beachten ist, dass je nach Material und verwendeter Texterkennungsmethode auf einzelne Schritte des Preprocessings verzichtet werden kann.

So vorbereitet kann eine erste Layout-Erkennung durchgeführt werden. Die Seite wird dabei in Text- und Nicht-Textzonen und weiter bis auf einzelne Zeilen unterteilt. Dabei können die einzelnen Schritte des Preprocessing nochmals auf Absatz- und/oder Zeilenebene wiederholt werden. Größere Herausforderungen sind hier komplexe Layouts, etwa durch mehrspaltige Texte und Marginalien, aber auch Schmuckinitialen werden oftmals als Grafik und damit als Nicht-Text-Zone klassifiziert.

Dem folgt die eigentliche Texterkennung mittels OCR-Software. Sind derzeit vor allem noch klassische Verfahren der Optical Character Recognition bei vielen Digitalisierungsvorhaben verbreitet, drängen neuere Ansätze mittels Neuronalen Netzen stärker in den Fokus, deren Praxistauglichkeit für Massenprozessierungen es noch zu prüfen gilt. Eine Schwierigkeit der Texterkennung stellt vor allem der Schriftypen- und Sprachmix, teilweise auf Wortebene, dar.

Vergleich der Software Tesseract mit den klassischen Verfahren und OCRopus, die bereits modernere Ansätze verfolgt.

Nun kann als weiterer Schritt der Layout-Erkennung die Region Classification erfolgen. Dabei werden die layout-semantischen Funktion der einzelnen Textregionen, etwa Überschrift, Seitenzahl oder Marginalie, bestimmt. Dies ermöglicht auch die automatische Document Analysis mit deren Hilfe die Dokumentenstruktur aus den zuvor erkannten Strukturelementen erfasst wird um bspw. automatisch Inhaltsverzeichnisse zu generieren.

Da jedoch auch moderne Methoden bei historischen Vorlagen kaum eine gewünschte Qualität von >99% Textgenauigkeit erreichen, muss eine Nachkorrektur der OCR-Ergebnisse folgen. Die entsprechende Nachkorrektur kann manuell, etwa auch in Form von Crowdsourcing-Projekten, oder halbautomatisch mittels entsprechender Software durchgeführt werden. Solche Tools bieten die Möglichkeit potentiell falsch erkannte Wörter hervorzuheben und bieten ggf. mit Wörterbucheinträgen Vorschläge zur Korrektur an. Der Einsatz vollautomatischer Nachkorrekturverfahren wird auf Grund der uneinheitlichen Orthografie und zum Teil starker dialektaler Einflüsse in den historischen Materialien derzeit nicht in der Praxis angewandt.

Der korrigierte Text wird im finalen Schritt in die Langzeitarchivierung übergeben.

Das Projekt OCR-D

Der hier beschriebene OCR-Prozess wird bereits in dieser oder ähnlicher Form in vielen Digitalisierungsvorhaben für die Erstellung von Volltexten eingesetzt. In den letzten Jahren haben sich zudem diverse Herausforderungen der OCR für historische Drucke durch aktuelle Forschungsentwicklungen und innovative Ansätze gelöst. Fraglich ist jedoch ob diese Methoden bereits reif für den Praxiseinsatz und die Massenprozessierung sind.

Die „Koordinierte Förderinitiative zur Weiterentwicklung von OCR-Verfahren“, kurz OCR-D, versucht hier einen Lückenschluss zwischen Forschung und Praxiseinsatz indem für die Entwicklungsbedarfe Lösungen erarbeitet und der aktuelle Forschungsstand zur OCR mit den Anforderungen aus der Praxis zusammen gebracht werden.

Das Projekt versteht sich dabei als Koordinierungsgremium und Netzwerk zugleich, bringt Entwickler, Forscher und Anwender zusammen um aktuelle Erkenntnisse aus der Forschung mit den Anforderungen aus der Praxis in einer praktikablen Lösung zu vereinen.

Das DFG-geförderte Projekt wird von der Herzog August Bibliothek Wolfenbüttel, der Berlin-Brandenburgischen Akademie der Wissenschaften in Berlin sowie der Staatsbibliothek zu Berlin – Preußischer Kulturbesitz und dem Karlsruher Institut für Technologie betreut. In der ersten Projektphase wurden (Entwicklungs-)Bedarfe analysiert, die in der zweiten Projektphase durch Modulprojekte umgesetzt werden.

Für zukünftige Digitalisierungsprojekte haben die Ergebnisse aus OCR-D weitreichende Veränderungen. Zum einen soll die Transformation der Titel aus den VD-Projekten in maschinenlesbare Form vorbereitet werden, zum anderen werden auch Vorschläge für die Aktualisierung der DFG-Praxisregeln „Digitalisierung“ auf Grundlage der neuen Erkenntnisse erarbeitet, nicht zuletzt um im Geiste europäischer und nationaler Agenden die Medienkonversion des gesamten im deutschen Sprachraum erschienenen schriftlichen kulturellen Erbes mittel- bis langfristig zu vollenden.

Für weitere Einstiege in das Thema führt OCR-D eine Zotero-Liste für den Technology Watch: https://www.zotero.org/groups/ocr-d

 

Zitierempfehlung: Elisa Herrmann: OCR zur Vorbereitung Digitaler Editionen. In: Ex officina Seleni: aus der Werkstatt der Herzog August Bibliothek Wolfenbüttel. Blog der Arbeitsgemeinschaft Digitale Editionen. 29. Juni 2017. https://eos.hypotheses.org/229.

Agenten-Austausch

Beitrag von Jörn Münkner, Jaqueline Krone und Katrin Schmidt (MWW)

Die große Leidenschaft von Herzog August dem Jüngeren (1579-1666) war bekanntlich seine Bibliothek in Wolfenbüttel. Um an neue Bücher zu gelangen, benötigte er die Unterstützung von kompetenten Agenten. Werner Arnold hat vorgeführt, wie der Augsburger Philipp Hainhofer (1578-1647) und der in Paris ansässige Jean Beeck (um 1615-nach 1688) im Auftrag des Herzogs entsprechend agierten (Arnold1,2): Durch geschäftliche und persönliche Kontakte in die maßgeblichen Netzwerke integriert, unterrichteten sie den Fürsten über den Büchermarkt und das Angebot an exquisiten Objekten. Zudem waren sie Nachrichtenübermittler und übernahmen zum Teil diplomatische Aufgaben.

Neben Hainhofer und Beeck gehörte auch Benedikt Bahnsen (gest. 1669) zu Herzog Augusts Buchagenten. Wahrscheinlich war er seit dem Frühjahr 1660 von Amsterdam aus im Besorgungseinsatz. Dies legen seine in der HAB erhaltenen Briefe an den Wolfenbütteler Hof nahe (BA II.1 16-35). Der Briefwechsel umfasst 21 Schreiben Bahnsens an den hochgelehrten Fürsten, drei Konzepte von dessen Antwortschreiben sowie mehrere Bücherlisten und Rechnungen.

Der aus Norddeutschland in die Niederlande emigrierte Chiliast, Buchhändler, Verleger und Rechenmeister Bahnsen hinterließ nach seinem Tod 1669 in Amsterdam eine ca. 3000 Titel umfassende Büchersammlung. Die Libri Theologici und die Libri Medici & Chymici wurden im Rahmen des Projekts „Frühneuzeitliche Gelehrtenbibliotheken“ bereits bibliographisch detailliert erschlossen und mit Hilfe einer web-basierten Datenvisualisierung zugänglich gemacht        (online). Es tritt eine Bibliothek aus dem Nebel der Vergangenheit, bei der es sich um das umfangreichste Einzelrepositorium für nonkonformes und heterodoxes Schrifttum handeln dürfte. (vgl. Hakelberg) Die digitale Edition der Briefkorrespondenz steht in engem Zusammenhang mit diesem Rekonstruktionsvorhaben.

 

Erster überlieferter Brief von Benedikt Bahnsen an Herzog August vom 4. April 1660. Bibliotheksarchiv HAB Signatur: BA II.1 16r.

Die Briefe Bahnsens an den Herzog weisen Standardbestandteile auf: Datum und Ort (stets Amsterdam), formelhafte Anrede des Fürsten, Bezugnahmen auf bestellte Bücher, ihre Nicht-/Verfügbarkeit, Frachtwege, Erwähnung von Personen, die an der Bücherbeschaffung und der Bücherspedition beteiligt sind, Preise und Spesen, formelhafte Verabschiedung, Erwähnungen historischer Ereignisse und Personen, zum Teil sozialer Netzwerke, schließlich der Hinweis auf anhängende Bücherpakete.

Die für die zweite Jahreshälfte geplante digitale Edition präsentiert sämtliche Schreiben als digitale Einzelseitenfaksimiles sowie als weitgehend diplomatisch getreue Transkripte in XML/TEI-P5. Das bedeutet, dass sich die Textkonstitution an der Reproduktion der autographen, visuellen und materiellen Merkmale der epistolaren Originale orientiert, die durch Kodierungen festgehalten werden. Das Briefkonvolut rahmt eine bündige Einführung, erklärungsbedürftige Begriffe und Namen werden erläutert, Personen, Orte und Körperschaften werden durch Register erfasst, jeder Brief wird durch einen kurzen Abstract kontextualisiert. Das Hauptaugenmerk liegt auf der Recherche der in den Briefen enthaltenen oder als Appendizes mitgelieferten Bücherlisten.

Der Auktionskatalog der Bibliothek von Benedikt Bahnsen.
Foto: Jörn Münkner

Mit Hilfe der Briefedition und im Abgleich mit den Zugangskatalogen in der HAB lässt sich herausfinden, welche Drucke und Handschriften aus den angekündigten Sendungen Bahnsens tatsächlich in die Wolfenbütteler Sammlung eingegangen sind. Damit lassen sich Provenienzlinien von Büchern nachzeichnen. Zudem sollen Aussagen und Mitteilungen Bahnsens die Rekonstruktion der relevanten Gelehrten- und Buchhändlernetzwerke befördern. Nicht zuletzt sind die Auskünfte zu den Lebensbedingungen Bahnsens, seine Beobachtungen und Beurteilungen der Zeitumstände dazu angetan, die Konturen seiner historischen Person zu schärfen und die Existenz deutscher Exilanten in den Niederlanden zu präzisieren. Seine eigenen bibliophilen Vorlieben, wie sie der Verkaufskatalog seines Bücherbestands suggeriert, können durch seine epistolaren Kommentare validiert werden. Somit bietet das Briefkorpus – gleichsam von der Seite – einen komplementären, mikroperspektivischen Blick auf den geschäftstüchtigen Amsterdamer Exilanten Benedikt Bahnsen wie auf den bibliophilen Herzog in Wolfenbüttel.

 

Literatur

Arnold1, Werner: Philipp Hainhofer als Bücheragent Herzog Augusts d.J. von Braunschweig-Wolfenbüttel, in: Wolfenbütteler Barock-Nachrichten, Wiesbaden 41/2014, 1/2, S. 81-94.

Arnold2, Werner: Briefe aus Paris. Jean Beeck als Agent Herzog Augusts d.J. von Braunschweig-Wolfenbüttel, in: Buch – Bibliothek – Region. Wolfgang Schmitz zum 65. Geburtstag, hg. v. Christine Haug u. Rolf Thiele, Wiesbaden 2014, S. 15-26.

Hakelberg, Dietrich: Die fanatischen Bücher des Benedikt Bahnsen. Leben und Bibliothek eines religiösen Dissidenten, in: Autorenbibliotheken. Erschließung, Rekonstruktion, Wissensordnung, hg. v. Michael Knoche, Wiesbaden 2015, S. 113-146.

Beyer, Hartmut, Katrin Schmidt, Jörn Münkner u. Timo Steyer: Bibliotheken im Buch: Die Erschließung von privaten Büchersammlungen der Frühneuzeit über Auktionskataloge, in: Kodikologie und Paläographie im digitalen Zeitalter 4 / Codicology and Palaeography in the Digital Age 4, hg. v. Hannah Busch, Franz Fischer u. Patrick Sahle, Norderstedt (Books on Demand) 2017, S.43-70.

http://dev.hab.de/bibliotheksrekonstruktion/bahnsen/bahnsen-catSubjectFormat.html

 

Zitierempfehlung: Jörn Münkner / Jaqueline Krone / Katrin Schmidt: Agenten-Austausch. In: Ex officina Seleni: aus der Werkstatt der Herzog August Bibliothek Wolfenbüttel. Blog der Arbeitsgemeinschaft Digitale Editionen. 16. Juni 2017. https://eos.hypotheses.org/209.