Scan to OCR

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

"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."

1. choisir un extrait de livre (deux pages minimum) 2. Décrire la page comme une image 3. Décrire/lire/reconnaître les caractères 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". 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?)