Nejednoznačnost standardu ohledně zdroje pro OCR

[godnat]

DMF 1.7.1 pro periodika (platí i pro 1.3.1 a starší DMF) na s. 10 se uvádí, že OCR (tj. ALTO XML) bude vznikat z uživatelské kopie (tj, ztrátově komprimovaný JP2), důvodem jsou lepší výsledky OCR z obrazů komprimovaných ztrátově.
Na s. 63 téhož DMF u elementu relationshipType je ale jako příklad uváděný vztah mezi dokumentem ALTO a TIFFem ze kterého vzniká-tj. předpokládá se vazba na původní sken.

A Komplexní validátor 1.7.1 nově očekává vazbu na archivní bezeztrátový JP2 (původně byla na primární sken viz: NLCR/komplexni-validator#56).

Do metadat nelze aktuálně zaznamenat vazbu OCR na uživatelskou kopii a kdyby se dělalo OCR z původního skenu nemusely by hodnoty v ALTO odpovídat archivovaným obrazům, proto je aktuálně preferovaná vazba ALTO na archivní JP2.

Proto je zřejmě třeba revize doporučení a metadat v DMF pro textové i zvukové dokumenty.
Je otevřeno k diskuzi.

[vjirousek]

Doporučení pro vytváření OCR z uživatelské kopie bude v nových verzích DMF postupně odstraňováno. V praxi se OCR vytváří skutečně z nekomprimovaných obrazových souborů a úváděný důvod (méně šumu u ztrátově komprimovaných souborů) se již nejeví jako relevantní.

[vjirousek]

Doporučení na vytváření OCR z uživatelských kopií obrazových souborů bylo odstraněno z:

• DMF pro monografie ve verzi 2.0 z 10. 10. 2022
• DMF pro periodika ve verzi 1.9 z 10. 10. 2022
• DMF pro gramofonové desky ve verzi 0.5 z 10. 10. 2022
• DMF pro fonografické válečky ve verzi 0.3 z 10. 10. 2022

Vztah mezi objekty v PREMIS je možné popisovat dle skutečnosti mezi objektem pro ALTO XML a objektem, který nejblíže popisuje soubor, ze kterého bylo OCR reálně vytvořeno (MC i ALTO XML mají zpravidla stejného rodiče v podobě souboru TIFF).