Bibliographie & annexes
Présentation
Auteur(s)
-
Philippe LEFÈVRE : Ingénieur ESE - Direction des Études et Recherches d’EDF
Lire cet article issu d'une ressource documentaire complète, actualisée et validée par des comités scientifiques.
Lire l’articleINTRODUCTION
L’invention du procédé d’impression typographique par Gutenberg vers 1440 a transformé radicalement notre société par une diffusion plus large et plus rapide des connaissances. L’avènement actuel des réseaux et la dématérialisation de l’information, qui devient électronique et numérique, constituent une révolution de même importance.
Le rêve d’un monde sans papier, qui hante les professionnels de l’informatique et de la documentation depuis bientôt quatre décennies, semble sur le point de devenir une réalité : on ne peut plus ouvrir une revue informatique sans y trouver plusieurs articles sur Internet, les bases de données en ligne, les CD-ROM... L’information est devenue aujourd’hui omniprésente, et sa maîtrise est considérée comme un facteur essentiel de réussite. Or cette information est constituée à 80 % de données textuelles. Les connaissances, qu’elles soient techniques, scientifiques, historiques, économiques, juridiques, médicales... sont en majorité mémorisées et véhiculées par des textes. Celles qui ont été publiées récemment sont directement accessibles sous forme électronique. Par contre, la majorité du patrimoine culturel et technique de l’humanité n’est encore disponible que sous forme de documents papier. Les entreprises et les collectivités sont ainsi confrontées à un besoin énorme de retraitement, dit aussi conversion rétrospective, pour passer à un format électronique.
Ce besoin, en plus du défi de faire lire l’ordinateur comme un être humain, a motivé de nombreuses études depuis les années 1960. Elles ont produit de multiples logiciels de reconnaissance de caractères. Les résultats ont souvent été décevants, car la complexité du problème avait été largement sous-estimée au départ, et les puissances informatiques nécessaires à l’accomplissement d’une telle tâche avec une productivité suffisante ne sont disponibles que depuis peu.
L'expertise technique et scientifique de référence
DOI (Digital Object Identifier)
Cet article fait partie de l’offre
Documents numériques Gestion de contenu
(76 articles en ce moment)
Cette offre vous donne accès à :
Une base complète d’articles
Actualisée et enrichie d’articles validés par nos comités scientifiques
Des services
Un ensemble d'outils exclusifs en complément des ressources
Un Parcours Pratique
Opérationnel et didactique, pour garantir l'acquisition des compétences transverses
Doc & Quiz
Des articles interactifs avec des quiz, pour une lecture constructive
Présentation
Reconnaissance des caractères (OCR)4. Traitements préliminaires
4.1 Variété et encombrement des images de documents
On a vu que le type d’image couramment utilisé en GED est une représentation biniveau des documents. Elle présente l’avantage d’occuper une place mémoire relativement réduite : 1,2 mégaoctets en 300 dpi, 2 mégaoctets en 400 dpi. Grâce aux méthodes de compression de l’information (CCITT Groupe 3 et Groupe 4), ces valeurs sont divisées par un facteur 10 à 20 — on obtient ainsi des images de pages dont la taille est comprise entre 60 et 250 kilooctets.
Ce codage biniveau est adéquat pour le texte et les schémas, mais pas pour les photos. Pour les traduire correctement, un codage en niveaux de gris ou en couleurs est nécessaire : à chaque point élémentaire sont associés soit une information de luminance sur 8 bits (d’où 256 valeurs de niveau de gris possibles), soit trois informations de couleurs (3 × 8 bits).
En fait, les images des documents ne sont pas stockées sous cette forme, car cela occupe trop de place en mémoire : 16 mégaoctets pour une page A4 en 256 niveaux à 16 points au mm (400 dpi), 29 mégaoctets pour une page couleur à 12 points au mm (300 dpi). En outre, cela présenterait peu d’intérêt car l’œil humain a une perception moins fine des couleurs que des contrastes. La solution dans ce cas est donnée par le tramage : on simule les niveaux de gris par une densité variable de pixels noirs sur fond blanc (figure 3). Une image biniveau peut donc contenir à la fois du texte, des schémas et des photos tramées.
HAUT DE PAGE4.2 Acquisition des images et choix des modes de travail
Les logiciels d’OCR opèrent la plupart du temps à partir d’images biniveaux, pour les raisons d’encombrement mémoire expliquées précédemment. La reconnaissance de caractères impose des contraintes sur la résolution. Une numérisation à 300 dpi (environ 12 points/mm) suffit pour les documents contenant des caractères de corps 10 et plus ; en dessous du corps 10, une résolution de 400 dpi (environ 16 points/mm) est nécessaire. Néanmoins, pour la tâche plus large de reconnaissance de documents, des images à niveaux de gris sont nécessaires dans les deux cas suivants :
-
les...
L'expertise technique et scientifique de référence
Cet article fait partie de l’offre
Documents numériques Gestion de contenu
(76 articles en ce moment)
Cette offre vous donne accès à :
Une base complète d’articles
Actualisée et enrichie d’articles validés par nos comités scientifiques
Des services
Un ensemble d'outils exclusifs en complément des ressources
Un Parcours Pratique
Opérationnel et didactique, pour garantir l'acquisition des compétences transverses
Doc & Quiz
Des articles interactifs avec des quiz, pour une lecture constructive
Traitements préliminaires
BIBLIOGRAPHIE
-
(1) - VAN HERWIJNEN (E.) - Practical SGML. - Kluwer Academic Publishers (1992).
-
(2) - LEFÈVRE (P.), FELTER (C.), LOBBRECHT (P.) - Reconnaissance de documents : passage du document papier à l’information électronique. - Revue Epure, EDF Direction des Études et Recherches no 58 (1998).
-
(3) - DREYFUS (J.), RICHAUDEAU (F.) - La chose imprimée. - Retz (1985).
-
(4) - INGOLD (R.) - Structures de documents et lecture optique : une nouvelle approche. - Presses polytechniques romandes (1990).
-
(5) - SGML-ODA : Présentation des concepts et comparaison fonctionnelle. - Afnor (1991).
-
(6) - JACNO (M.) - Anatomie de la lettre. - Compagnie française d’éditions (1978).
-
...
DANS NOS BASES DOCUMENTAIRES
ANNEXES
* - Le catalogue du système universitaire de documentation peut être consulté en ligne : http://www.sudoc.abes.fr
BEHEIM (L.) - Coopération entre segmentation et reconnaissance des caractères imprimés dégradés. - Université de Paris-6 (2001).
LAVIROTTE (S.) - Reconnaissance structurelle de formules mathématiques typographiées et manuscrites. - Université de Nice (2000).
HAUT DE PAGE
En français :
Traitement du Signal http://www.lis.inpg.fr/revue
En anglais :
IEEE...
L'expertise technique et scientifique de référence
Cet article fait partie de l’offre
Documents numériques Gestion de contenu
(76 articles en ce moment)
Cette offre vous donne accès à :
Une base complète d’articles
Actualisée et enrichie d’articles validés par nos comités scientifiques
Des services
Un ensemble d'outils exclusifs en complément des ressources
Un Parcours Pratique
Opérationnel et didactique, pour garantir l'acquisition des compétences transverses
Doc & Quiz
Des articles interactifs avec des quiz, pour une lecture constructive
