Correction d'OCR /L’amélioration de la reconnaissance de caractères par les internautes.

L'OCR, optical character recognition, est appelée en français reconnaissance optique de caractères (ROC) ou océrisation. De quoi s'agit-il ?

Comme vous le savez, la bibliothèque numérique de Roubaix vous propose de nombreuses versions numérisées, ou "scans", de documents originaux : cartes postales, affiches, journaux, etc. Mais le scanner ne sait pas lire, et la version numérisée qu'il propose n'est en quelque sorte qu'une photographie muette de l'original. Par contre, un scan sur lequel on a fait travailler un logiciel de reconnaissance de caractère est un scan qui sait lire, et restitue le texte de l'original sous la forme d'un véritable fichier de texte.

Quel travail reste-t-il à faire alors ?

Le logiciel d'OCR a travaillé à identifier à quel caractère réel correspond la photographie de tel caractère, pour fournir à terme une transcription des documents imprimés scannés. Mais c'est une machine qui a oeuvré, machine aisément trompée par une lettre mal imprimée, une tâche sur l'original, une police fantaisiste, etc. Seul l'humain peut reconstituer le texte tel que le journaliste l'a écrit, tel que l'imprimeur l'a assemblé.

Aidez-nous à corriger, entre autres, les pages des journaux roubaisiens et tourquennois des 19^e et 20^e siècles. Les mots et noms que vous retaperez correctement seront indexés, et ainsi des résultats plus nombreux et plus pertinents répondront aux requêtes. Grâce à vous !

Pour toute question, reportez-vous à la page Comment ça marche ou contactez-nous.