Reconnaissance de l’imprimé : Reconnaissance des caractères (OCR)

1.1 - Domaine d’intérêt
1.2 - Supports et formes de documents
1.3 - Formes images
1.4 - Formes électroniques codées
1.5 - Reconnaissance de documents
1.6 - Avantages des formes électroniques codées par rapport aux formes image
1.7 - Applications

2 - Documents imprimés : contenu et structure

2.1 - Mise en page
2.2 - Zones présentes dans un document
2.3 - Notions de typographie
2.4 - Structure physique et structure logique

3 - Composantes d’un système de reconnaissance

3.1 - Acquisition ou numérisation
3.2 - Redressement
3.3 - Binarisation
3.4 - Segmentation des pages
3.5 - Reconnaissance des caractères
3.6 - Reconnaissance de la structure logique
3.7 - Transcodage

4 - Traitements préliminaires

4.1 - Variété et encombrement des images de documents

Figure 3 - Exemples de tramage
4.2 - Acquisition des images et choix des modes de travail
4.3 - Redressement

SL4398587-web
4.4 - Binarisation
4.5 - Segmentation des pages à partir du texte
4.6 - Détection et localisation des tableaux
4.7 - Détection et localisation des formules mathématiques
4.8 - Détection et localisation des graphiques

5 - Reconnaissance des caractères (OCR)

5.1 - Structure des caractères et variété
5.2 - Déformations dues à l’impression, la reproduction, la numérisation
5.3 - Erreurs de reconnaissance et mesure des performances
5.4 - Définition de la reconnaissance de caractères
5.5 - Processus mis en œuvre
5.6 - Les trois générations de logiciels d’OCR. Typologie des méthodes

Tableau 1
5.7 - Extraction des caractéristiques et primitives

Figure 15 - Squelette d’un caractère
5.8 - Décision et classement
5.9 - Classification et apprentissage
5.10 - Combinaison de plusieurs méthodes de reconnaissance
5.11 - Posttraitements : levées d’ambiguïtés et utilisation de lexiques
5.12 - Reconnaissance des fontes

6 - Reconnaissance des zones non textuelles

6.1 - Tableaux
6.2 - Formules mathématiques
6.3 - Graphiques et schémas

7 - Reconnaissance industrielle et voies d’évolution

8 - Conclusion

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’article

INTRODUCTION

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.

Cet article est réservé aux abonnés.
Il vous reste 94 % à découvrir.

Pour explorer cet article Consulter l'extrait gratuit

Déjà abonné ? Se connecter

DOI (Digital Object Identifier)

https://doi.org/10.51257/a-v1-h1348

Lecture en cours
Présentation

Page
suivante

Reconnaissance des zones non textuelles

Article inclus dans l'offre

"Documents numériques Gestion de contenu"

(66 articles)

Une base complète d’articles

Actualisée et enrichie d’articles validés par nos comités scientifiques.

Des contenus enrichis

Quiz, médias, tableaux, formules, vidéos, etc.

Des modules pratiques

Opérationnels et didactiques, pour garantir l'acquisition des compétences transverses.

Des avantages inclus

Un ensemble de services exclusifs en complément des ressources.

Voir l'offre

5. Reconnaissance des caractères (OCR)

Rappelons que dans cet article, on se limite à la reconnaissance des caractères dactylographiés ou imprimés de l’alphabet latin.

5.1 Structure des caractères et variété

Plusieurs éléments de style peuvent différer d’une fonte à l’autre, ce qui explique les multiples variétés existantes [6]. Citons la graisse, la stature (rapport hauteur-largeur), l’italique (inclinaison), le contraste entre les pleins et les déliés, l’aplatissement des rondeurs, la présence ou l’absence d’empattements, la nuance anglaise (arrondissement des empattements). La classification Vox, retenue par l’Association typographique internationale, regroupe les fontes en une dizaine de classes (figure 10).

Quelques valeurs numériques sont nécessaires pour situer l’ampleur du problème : en dactylographie, on recense facilement entre les divers constructeurs plus de 200 polices différentes, chacune dans un seul corps ; en imprimerie, le catalogue d’un seul fournisseur, comme la Monotype, comporte plus de 8 000 fontes, avec tous les corps possibles pour chacune (échelle de 6 à 100).

HAUT DE PAGE

5.2 Déformations dues à l’impression, la reproduction, la numérisation

En fait, les logiciels de reconnaissance sont confrontés à des millions de formes possibles, car aux variantes de fontes viennent s’ajouter les différences dues aux qualités d’impression et de reproduction des documents. Une impression ou une photocopie de mauvaise qualité engendrent des caractères collés, coupés, ou du bruit de fond. Il faut tenir compte en plus des dégradations dues à l’acquisition : problèmes d’échantillonnage (résolution), de numérisation et de seuillage déjà évoqués. Cela accentue les phénomènes de déformation, collage ou cassure des caractères (figure 11).

HAUT...