Analyse et reconnaissance d'images de documents

L’analyse et la reconnaissance d’images de documents désignent une discipline scientifique qui regroupe un ensemble de techniques informatiques dont le but est de reconstituer le contenu d’un document à partir de son image. Alors qu’elle est longtemps restée cantonnée dans la problématique de la reconnaissance de caractères, elle vise aujourd’hui des objectifs beaucoup plus larges, allant de la simple classification de documents à l’interprétation complète du contenu en passant par l’indexation ou la réédition. Ainsi, le but ultime de la reconnaissance d’images de documents est de générer une représentation de haut niveau sous la forme de documents structurés, selon une forme adéquate pour l’application visée.

À titre introductif, considérons par exemple une page tirée d’un livre scientifique (figure  1 a ) qu’il s’agirait d’« hypertextualiser », c’est-à-dire d’en produire une version électronique munie des liens hypertexte pour la navigation. Dans une telle application, il est impératif de déterminer la structure logique de l’ouvrage, c’est-à-dire son organisation hiérarchique en chapitres, sections et paragraphes, d’identifier les définitions, les énoncés d’exercices, les descriptions d’expériences, les formules, etc. La figure  1 b reflète visuellement cette structure au niveau de la page alors que la figure  1 c illustre la structure hiérarchique qui en découle. C’est cette structure qui pourra être exploitée lors de la navigation dans l’hypertexte.

Traditionnellement, la reconnaissance de documents s’est avant tout appliquée aux documents papier pour lesquels aucune forme électronique n’était disponible. Aujourd’hui, on reconnaît l’intérêt de ces techniques pour la restructuration de documents électroniques, non ou mal structurés, en se servant de l’image produite de manière synthétique, par exemple à l’aide d’un moteur d’impression Postscript.

Sur le plan historique, il est intéressant de remarquer que la lecture optique de caractères est bien antérieure au développement de l’informatique puisque des brevets ont déjà été déposés au XIX ^e siècle et qu’un prototype de démonstration a été signalé en 1916. Les premières approches informatiques de la reconnaissance de caractères remontent au début des années 1960 ; ainsi, la première machine à trier le courrier (limitée aux adresses dactylographiées) a été installée aux États-Unis en 1965. Cependant, les...