书刊扫描仪：古籍数字化主要技术标准

1、 汉字字符集编码

汉字数量约有十万左右，其中常用字三四千，绝大多数字属于生僻字、避讳字、异体字等。古籍数字化的字符编码方案的继承性非常重要，否则会使已经数字化的成果变成历史的古董。古籍数字化目前使用的主要的汉字通用字符编码集：

（1）GB2312 GB13000 GB18030均为国家标准，而GBK是国家规范。GB2312收录6763个汉字。GB13000收录20902字，是我国等同采用ISO/IEC10646标准的国家标准。GB 18030-2005收录了70244个汉字。总编码空间超过150万个码位，为解决人名、地名用字问题提供了方案，为汉字研究、古籍整理等领域提供了统一的信息平台基础。 GBK是在保持GB2312原貌的基础上，将其字汇扩充至ISO10646中的CJK20902汉字，同时也就包容了台湾的工业标准Big5中的全部汉字。

（2）ISO/IEC 10646信息技术--通用多八位编码字符集(Information technology - Universal Multiple - Octet Coded Character Set) 用来实现全球所有文种的统一编码。它与Unicode在字符编码上保持一致，在两个标准里，所有的字符都在相同的位置并且有相同的名字，并且版本更新也保持同步，ISO/IEC 10646:2003的字符编码相当于Unicode 5.0。

（3）Unicode是一种在计算机上使用的字符编码，满足跨语言、跨平台进行文本转换、处理的要求。Unicode目前已经完全与国际标准ISO10646 同步，由于它所涵盖的汉字目前已超过7万个，并且还在不断扩充，因此在古籍数字化时绝大多数机构都采用了Unicode 字符集。

国家图书馆已建古籍数字资源，如地方志、家谱、拓片的文字著录和置标，使用unicode5.0的字符集。unicode5.0覆盖了古籍的大部分可处理文字，其基本级20902,扩充A有6千多个汉字,扩充B有4.5万个汉字。以国图数字方志字符处理为例，基本集 99.2%，扩A集0.11%，扩B集0.63%，集外字0.06% 。

2、 图像格式编码

古籍属于非再生性的文化遗产，古籍数字化技术在文献保护和文化传承方面发挥积极支持作用。各种图像是古籍数字化*直观的结果。由于图像文件的保存和应用目的不同，古籍图像文件格式编码选择也不同。达到数据的长期保存和广泛应用的需求，我们应尽量采用国际通用的格式编解码。

古籍图像文件分为主文件和派生文件。图像主文件以存档为目的，在确保图像数据的内容和物理完整性的前提下采集，用于长期保存及必要时作复制和格式转换的母本，不进行图像处理。图像派生文件由图像主文件经过自动化或人工处理过程转化而来，处理过程中通常丢失一些信息，用于编辑性处理或不同格式的转换及网络表现和传输。

（1）TIFF

Tag Image File Format Aldus和微软联合开发。文件扩展名为TIF。格式支持1位、256色、24位真彩色、32位色、48位色等多种色彩位，同时支持RGB、CMYK等多种色彩模式，支持多平台。TIFF文件可以是不压缩的，文件体积较大，也可以是压缩的，支持LZW、JPEG、CCITT3组和4组等多种压缩方式。

TIFF编码格式存储质量高，细微层次的信息多，有利于原稿的复制。用于古籍图像主文件格式，为长期保存级别。

（2）JPEG2000

Joint Photographic Experts Group，ISO15444，文件扩展名为JP2或J2K。JPEG2000压缩率比JPEG高约30%左右。同时支持有损和无损压缩。能实现渐进传输，可任意指定影像上感兴趣区域的压缩质量，还可以选择指定的部分先解压缩。

JPEG2000编码格式用于古籍图像派生文件的保存，为复制加工级别，数字主文件TIFF格式1：1转换生成，无损压缩。供组织成员网上有条件权限的访问。有较高的精度和较大的尺寸。用于加工复制各种精度、大小的屏幕浏览图像的文件。也可供一般品质的出版印刷使用。

（3）jpeg

Joint Photographic Experts Group ISO/IEC 10918联合图片组。文件扩展名为JPG或JPEG。在所有静止图像压缩格式中，JPEG格式应该是我们*为熟悉、也是应用*为广泛的格式之一。它用有损压缩方式去除冗余的图像和彩色数据，获取极高的压缩率的同时能展现十分丰富生动的图像。

通用浏览器和图像处理软件均可正常解读，兼容性强，易于图象编辑和处理，压缩技术比较稳定。可用于互联网的图像交换、缩略图显示。