Scan to OCR

Les étapes de numérisation d'un document et de la reconnaissance de caractères (OCR).

"La numérisation des textes est un système de correspondances entre les caractères alphabétiques et des valeurs numériques que l’ordinateur peut manipuler. Tout texte peut ainsi être représenté par une suite de caractères codés sur lesquels il devient possible d’effectuer des opérations de comparaison ou de comptage. Cette première étape est le point de départ des premiers travaux de lexicométrie et a permis la constitution des premières bases de données textuelles. Ensuite, il y a moyen d'opérer une recherche de chaîne de caractères dans le texte, d'activer des liens hypertextuels, d'annoter, de sonoriser des documents..." Jean Clément

Fonctionnement d'un scanner

Un scanner analyse le document en mesurant sa réflectance élément de surface par élément de surface. Les éléments reçoivent, simultanément ou séquenciellement, un rayon lumineux ; un ou plusieurs capteurs transforment la lumière réfléchie en un signal électrique qui est numérisé, constituant ainsi une image matricielle transférée à l'ordinateur, pour y être ensuite sauvegardé, traité ou analysé. (wikipedia) Un capteur photosensible détecte la reflection de la lumière (signal analogique) qui est ensuite transformé en signal numérique.

Optical Character Recognition (OCR)

"Les systèmes de reconnaissance optiques des caractères analysent des objets imprimés en considérant leurs caractères comme des images, reconnues une à une en fonction de leur singularité graphique [...] Au départ,les polices étaient conçues en fonction des capacités techniques de la machine, chaque glyphe occupant des zones spécifiques d'une grille sous-jacente. Cela permettait d'attribuer sans ambiguïté une identité unique aux lettres." Johanna Druker Une première technologie consistait en la reconnaissance des caractères à l'encre magnétique : le MICR. Les caractères MICR sont imprimés sur les documents dans une police MICR. L'encre utilisée dans l'impression est une encre ou un toner magnétisable (communément appelé encre magnétique), contenant généralement de l'oxyde de fer. Le document est encodé par un lecteur MICR. L'encre est d'abord magnétisée. Ensuite, les caractères sont passés sur une tête de lecture MICR, un périphérique similaire à la tête de lecture d’un magnétophone. Lorsque chaque caractère passe au-dessus de la tête, il génère un signal unique, facilement identifiable par le système. (wikipedia)

• 

  Specimen du caractère E-13B spécialement conçu pour de l'encre magnétique (MICR) développé par les banques dans les années 1950 (source: https://patents.google.com/patent/EP0651345A2/en)

• 

  Specimen du caractère OCR A, caractère normalisé destiné à la reconnaissance optique (1968) (source: https://patents.google.com/patent/EP0651345A2/en)

2. 1. choisir un extrait de livre (deux pages minimum)
3. 2. Décrire la page comme une image
4. 3. Décrire/lire/reconnaître les caractères
5. 4. Entre les deux: Baliser le texte (Standard Generalized Markup Language ancêtre de l'html): donner un description sémiotique in l'intérieur d'un texte qui a perdu toute son "imagerie".
6. 5. La question des formats (PDF vs html et xml)

La numérisation conditionne qu'une machine puisse décoder les valeurs numériques de la numérisation et puisse les afficher sur un support de lecture, ici l'écran. (mais peut aussi être un affichage sur du papier électronique ou la communication directe avec une imprimante) -> lecture à l'écran (back office) - couleur ou noir et blanc? -> technologie de l'écrant RVB vs 1bit (les caractères ont-ils une couleur?)