Navigation – Plan du site

AccueilNumérosTroisième série22A new strategy for Arabic OCR bas...

A new strategy for Arabic OCR based on script analysis and synthesis

Une nouvelle stratégie pour la reconnaissance optique de caractères arabes basée sur l'analyse et la synthèse de l'écriture
إستراتيجية جديدة للتعرُّف الضوئي على الحروف العربية استناداً إلى تحليل وتوليف خطوط الكتابة
Alicia González Martínez et Thomas Milo
p. 21-30

Résumés

La reconnaissance automatique de caractères (OCR) a connu d’importantes améliorations ces dernières années, même si les stratégies OCR conventionnelles n'exploitent pas encore les concepts linguistiques sur l'analyse de l'écriture arabe. Nous présentons une stratégie supplémentaire, nouvelle, qui vise à améliorer l'OCR en arabe. Dans cette approche, les points de désambiguïsation sont temporairement éliminés, ce qui réduit les classes de graphèmes partageant le même élément de base à des archigraphèmes uniques. En outre, le comportement contextuel des archigraphèmes arabes est redéfini comme une fusion : les archigraphèmes fusionnent de manière méconnaissable en blocs de lettres selon un système basé sur des règles appelées grammaire de script. Le bloc de lettres est défini comme l'unité minimale de formation de l'écriture arabe. Par exemple, le mot بحوث se compose de deux blocs de lettres, des groupes d'allographes fusionnés entourés d'un espace graphique, ٮحو et ٮ (BGW B). D'un corpus arabe d'environ 85 millions de mots, nous avons extrait une liste d'environ 47 000 blocs de lettres archigraphèmiques uniques, ce qui implique que nous avons réduit le système d'écriture arabe dynamique et génératif aux proportions d'une écriture statique comme le chinois. Nous montrons ensuite comment synthétiser toutes les formes théoriques pour chaque bloc de lettres à partir de modèles informatiques de styles d'écriture islamiques spécifiques (ruqʿä, naskh, nastaʿlīq). Ce n'est que dans la dernière étape que nous devrons désambiguïser les archigraphèmes en graphèmes réels en utilisant des informations linguistiques, dont une partie a déjà été recueillie dans le corpus de 85 millions de mots. Cette approche rend également possible une formation initiale à l'OCR sur des textes rendus avec les mêmes modèles d'écriture islamiques.

Haut de page

Accès au texte / extrait

Cairn

Texte intégral disponible via abonnement/accès payant sur le portail Cairn. Le texte intégral en libre accès sera disponible à cette adresse en janvier 2023.
Consulter cet article

Plan

Introduction
Interference of typographic legacy in OCR systems
Computer analysis and synthesis of Islamic script
Reducing Arabic script to its essence
Generating the list of archigraphemic letter blocks encountered in the Arabic language
Samples of authentic shape generation
Present state of the research and first results
Conclusion

Aperçu du début du texte

Introduction

Conventional Arabic OCR systems are based on a typographic perception of script, assuming that glyphs, the units of mechanical reproduction of script, have a logical relation with graphemes, the units of script itself. Current methods try to recognise script by splitting chunks of text into paragraphs, paragraphs into lines, lines into words, and words into characters or sub-characters (Srihari and Ball 2014: 7-8). This approach follows the traditional mechanics of the 15th century printing press, where actual shapes of letters or groups of letters are represented in types or sorts, i.e., in physical boxes: the glyphs of today's font technology. It inadvertently treats the glyph as the smallest unit of Arabic script, whereas in reality, glyphs are not. For example, it is quite usual in manuscripts to find a grapheme compound ب, there the base grapheme ٮ B and the dot grapheme are not in the same physical space, but the dot grapheme may appear in a nearby area. An example...

Haut de page

Pour citer cet article

Référence électronique

Alicia González Martínez et Thomas Milo, « A new strategy for Arabic OCR based on script analysis and synthesis », Égypte/Monde arabe,Troisième série, 22 | 2020, mis en ligne le 03 janvier 2023, consulté le 21 janvier 2021. URL : http://journals.openedition.org/ema/13146 ; DOI : https://doi.org/10.4000/ema.13146

Haut de page

Auteurs

Alicia González Martínez

Alicia González Martínez (Universität Hamburg), is a research associate on computational linguistics at the Asien-Afrika-Institut, Universität Hamburg. She has a multidisciplinary profile covering Arabic linguistics, Oriental studies and software development, with a special focus on Arabic Natural language processing. She completed her PhD in 2013 on Arabic computational morphology and is the developer of YaKabikaj, a search utility for Arabic-scripted texts.

Thomas Milo

Thomas Milo (DecoType), linguist and computer typography pioneer specialized in writing systems and Arabic-scripted typography from Amsterdam, the Netherlands. He published many articles on the structure and history of Arabic script, notably on the scientific analysis of classical Arabic scripts which led to the introduction of the concept of script grammar. Distinctions: Unicode Bulldog Award 2000 for fundamental contributions to digital text encoding – Dr Peter Karow Award 2003 for exceptional and innovative contributions to the development of digital type and typography related technology. www.decotype.com.

Haut de page

Droits d’auteur

© Tous droits réservés

Haut de page
  • Logo Centre d’études et de documentation économiques juridiques et sociales (CEDEJ)
  • OpenEdition Journals
Rechercher dans OpenEdition Search

Vous allez être redirigé vers OpenEdition Search