Navigation – Plan du site

AccueilNumérosTroisième série22Egyptian press archive of CEDEJ. ...

Egyptian press archive of CEDEJ. A challenging case study of Arabic OCR

Les archives de presse du CEDEJ. Une étude de cas ambitieuse sur l'OCR en arabe
أرشيف الصحافة المصرية في «مركز الدراسات والوثائق الاقتصادية والقانونية والاجتماعية». دراسة حالة تمثل تحدياً في مجال التعرُّف الضوئي على الحروف العربية
Rami Khalil Rouchdi, Mohamed Ahmed Ellotf et Hala Bayoumi
p. 41-55

Résumés

Cet article évalue trois systèmes commerciaux de reconnaissance optique de caractères (OCR) pour la numérisation des archives de presse : Sakhr Automatic Reader (AR) version 11.2 gold; Abbyy FineReader (FR) version 12 ; et NovoVerus (NV) version 4.2.0 dans un contexte de dégradation de la qualité du texte. Contrairement à d'autres tentatives similaires, nous avons développé notre propre ensemble de données pour étudier les meilleures spécifications et outils afin de réaliser la plus grande précision dans le projet d'archives de presse égyptiennes du Centre d'Études et de Documentation Économiques, Juridiques et Sociales (CEDEJ). Nous décrivons l'approche du développement de l'ensemble de données, ainsi que l'effet des différentes spécifications des images, sur la précision de l'OCR. Notre jeu de données se compose de 30 extraits de presse qui représentent différentes qualités, en termes de fond d'image, de taille de texte et d'autres effets dus à l'âge et au stockage des documents papier. Chaque échantillon a été scanné dans différentes résolutions et modes de couleur, pour produire un ensemble de 180 échantillons (six versions de chaque extrait), puis transmis aux logiciels d’OCR pour évaluer leur précision de reconnaissance. Le résultat de l'expérience a ensuite été appliqué à plus d'un million d’extraits, le corpus du projet CEDEJ, et a donné des résultats cohérents. Dans cet article, nous présentons principalement une approche de la numérisation et de l'OCR de documents ayant un contenu textuel arabe de faible qualité, ce qui garantit une précision élevée et constante. Notre approche est basée sur l'évaluation des performances des logiciels OCR par rapport à différentes spécifications de capture et de manipulation d'images.

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
The project workflow
Management and tracking
Optical Character Recognition (OCR) as a challenge
Arabic script characteristics
Egyptian press archive of CEDEJ project
Online Arabic Press Archive Attempts
Evaluation of Arabic OCR Systems Attempts
The CEDEJ dataset
Interoperability as a challenge
Conclusion

Aperçu du début du texte

Introduction

The CEDEJ was born in 1968 from a desire to preserve the library of the French Law School in Cairo. The political scientist Jean-Claude Vatin initiated this press archive in 1970. In 2007, after the closure of the CEDEJ library, the collection of press clippings was stored in the French Consulate in Alexandria. Two years later, a framework agreement for scientific cooperation was signed between the National Centre for Scientific Research (CNRS) and the Bibliotheca Alexandrina (BA) to set up an online system for documentary research from the CEDEJ archives. A tripartite partnership agreement was signed in 2012 (renewed in 2016 and 2019) between the CNRS, the French Ministry of Europe and Foreign Affairs (MEAE) and the BA. The latter agreement worked indeed towards the creation of two web-based research platforms common to the CEDEJ and the Bibliotheca Alexandrina to promote the corpus of press clippings of the CEDEJ (2015) and a corpus of 12,000 press cartoons (2018).

The ...

Haut de page

Pour citer cet article

Référence électronique

Rami Khalil Rouchdi, Mohamed Ahmed Ellotf et Hala Bayoumi, « Egyptian press archive of CEDEJ. A challenging case study of Arabic OCR », 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/13156 ; DOI : https://doi.org/10.4000/ema.13156

Haut de page

Auteurs

Rami Khalil Rouchdi

B.Sc. of Computer Engineering, 1997 from Arab Academy for Science and Technology. He has been working for the Bibliotheca Alexandrina (BA) since 2002 in the Information and Communications Technology (ICT) department. Since 2005, he was involved in the field of digitization with special focus on Arabic text. He oversaw the Digitization Laboratory Unit since 2005 till 2011, then was assigned to lead the digitization operations Section to date. He follows and investigates about the state of art techniques to digitize different types of Arabic textual documents. He cooperated in many large-scale national and international digitization projects at the BA. To share the BA expertise, he is responsible of organizing trainings about the digitization of Arabic contents for organizations, among which Yale University, AUB, BRILL publishing house and Kuwait Institute for Scientific Research (KISR). Recently he developed a mass production workflow that integrates the digitization technologies of Arabic text to produce electronic Arabic books in ePub format suitable for smart phones.

Mohamed Ahmed Ellotf

He has got a B.Sc. of Computer Engineering, 2003 from Alexandria University and a MBA, 2016 from Arab Academy for Science, Technology (AAST). He started his tenure at the Bibliotheca Alexandrina (BA) in 2003 as a system administrator then served in several managerial positions within the ICT sector until he occupied his current position as Director of the ICT Infrastructure & Operations Department in October 2016. He is responsible for leading, developing and maintaining the library ICT infrastructure interoperability and operations management thus contributing to the fulfillment of main objectives of the BA as a Library in the digital age. His responsibilities encompass directing system acquisition, installations, server management, system support and maintenance, managing network and communication systems, voice, data and office automation. He also participated in several endeavors pursued by the BA such as the technical infrastructure implementation of the Encyclopedia of Life project and the Kuwait Institute for Scientific Research digitization system.

Hala Bayoumi

Dr Hala Bayoumi is a research engineer at the CNRS France (National Centre for Scientific Research) and head of the Digital Humanities cluster at the CEDEJ. She holds a Ph.D. in Computer Science from EPHE (Paris, France) and a habilitation in Geography from University Jean Moulin (Lyon, France). She is the winner of the CNRS 2017 crystal medal, and ambassador of the program “La Science taille Xxelle”. She published different books and websites and co-edited recently with Karine Bennafla Atlas de l’Égypte Contemporaine, 2020. She coordinated since 2010 a Master’s level diploma in Data Analysis and Spatial Analysis Techniques (GIS 4D) for Egyptian officials from CAPMAS (inter-university diploma EPHE-university of Lyon).

Articles du même auteur

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