Numériser un fonds imprimé ancien : océrisation, correction et contrôle de la qualité

Numériser ne consiste pas seulement à produire des images

Numériser un fonds imprimé ancien signifie transformer des documents matériels en ressources numériques consultables, conservables et, si possible, interrogeables. Cette opération comporte plusieurs niveaux qu’il faut distinguer. La numérisation d’image produit une représentation visuelle des pages. L’océrisation, ou OCR, ajoute une transcription automatique du texte visible. La correction améliore cette transcription. Le contrôle de la qualité vérifie enfin que les images, les métadonnées et les textes correspondent bien aux documents d’origine.

Ces étapes répondent à des usages différents. Une image fidèle permet de consulter la mise en page, les illustrations, les annotations et les particularités typographiques. Un texte océrisé facilite la recherche par mot, la navigation dans un document et certaines analyses statistiques. Toutefois, le texte produit par reconnaissance automatique n’est pas nécessairement une transcription exacte. Il s’agit d’une hypothèse de lecture calculée à partir de formes visuelles, avec des erreurs plus ou moins nombreuses selon le document.

Pourquoi les imprimés anciens posent des difficultés particulières

Les systèmes de reconnaissance optique de caractères ont été conçus pour identifier des formes graphiques, mais leur performance dépend fortement de la régularité du document. Un livre ancien peut cumuler plusieurs sources d’incertitude : caractères usés, encre irrégulière, papier jauni, taches, plis, déformations du support ou contraste insuffisant entre le texte et la page.

La typographie ajoute d’autres obstacles. Les ligatures, les lettres longues, les caractères accentués, les chiffres anciens et les signes de ponctuation peuvent être mal interprétés. Une même page peut aussi mélanger plusieurs corps de caractères, des titres, des notes en bas de page, des colonnes, des tableaux ou des passages en langue étrangère. La mise en page n’est pas un simple décor : elle renseigne sur la structure du texte et influence directement la lecture automatique.

L’orthographe historique doit également être respectée comme une caractéristique documentaire. Remplacer automatiquement une graphie ancienne par une graphie contemporaine peut rendre le texte plus accessible, mais cela produit alors une modernisation et non une transcription fidèle. Il faut donc distinguer la reproduction du texte imprimé, la normalisation linguistique et l’interprétation éditoriale.

Définir le projet avant de scanner les pages

Une opération réussie commence par un cadrage documentaire. Avant tout traitement, il faut préciser ce qui sera numérisé, pour quel public et avec quel niveau de fidélité. Un corpus destiné à la consultation visuelle n’a pas les mêmes exigences qu’un ensemble prévu pour une recherche plein texte ou une étude de vocabulaire historique.

Le cadrage peut notamment répondre aux questions suivantes :

• Quels documents sont inclus et selon quels critères ?
• Quelle unité sera décrite : le volume, le numéro, le fascicule, la page ou l’article ?
• Les couvertures, pages blanches, publicités, tables et annexes seront-elles conservées ?
• Faut-il privilégier la fidélité à la page, la recherche textuelle, ou les deux ?
• Quel degré de correction humaine est réellement nécessaire ?
• Comment seront conservées les versions successives des fichiers ?

La réponse à ces questions détermine les choix techniques. Elle évite notamment de corriger massivement un texte dont l’usage prévu ne justifie pas une transcription complète, ou de produire des fichiers impossibles à réutiliser parce que les images et les textes ne sont plus associés.

Préparer le fonds et documenter chaque objet

La préparation matérielle constitue une étape souvent sous-estimée. Les documents doivent être identifiés, ordonnés et examinés avant la capture. Il faut repérer les pages manquantes, les erreurs de pagination, les feuilles pliées, les déchirures, les encarts et les éléments insérés entre les pages. Une photographie ou un scan ne permet pas de reconstituer automatiquement ce qui n’a pas été observé avant la prise de vue.

Chaque objet peut recevoir un identifiant stable. Cet identifiant sert à relier l’image, le fichier de transcription, les métadonnées descriptives et les rapports de contrôle. Les métadonnées peuvent décrire le titre, l’auteur lorsqu’il est connu, la date, l’édition, la langue, le nombre de pages, l’état matériel et les droits applicables. Une description précise facilite les vérifications ultérieures et réduit les risques de mélanger des pages provenant de volumes différents.

La manipulation doit tenir compte de l’état de conservation. Un volume fragile ne se traite pas comme un document courant. L’ouverture forcée, l’éclairage ou la pression exercée par un dispositif de capture peuvent aggraver les déformations. Les choix de prise de vue doivent donc respecter les contraintes de conservation et, lorsque cela est nécessaire, être validés par une personne compétente en préservation documentaire.

Capturer des images qui restent exploitables

La qualité de l’OCR dépend largement de la qualité de l’image source. Une page inclinée, floue ou insuffisamment contrastée peut produire une transcription médiocre, même avec un logiciel performant. La capture doit donc chercher un équilibre entre fidélité visuelle, lisibilité et respect du document.

Il convient de contrôler au minimum :

• la netteté des caractères et des détails graphiques ;
• l’homogénéité de l’éclairage ;
• l’absence de zones coupées sur les bords ;
• la rectitude de la page et la visibilité de la reliure ;
• la cohérence des réglages entre les pages d’un même volume ;
• la présence éventuelle d’une mire ou d’un repère de contrôle selon le protocole retenu.

Les fichiers maîtres doivent être conservés dans un format adapté à la préservation et séparés des fichiers dérivés destinés à la consultation. Les formats et paramètres précis dépendent du projet, du matériel et des règles documentaires appliquées. L’essentiel est de conserver une image suffisamment riche pour permettre de nouvelles corrections sans devoir reprendre la capture, si l’état du document et les droits le permettent.

Comprendre ce que fait réellement l’océrisation

L’OCR ne lit pas une page comme un lecteur humain. Le logiciel analyse une image, repère des zones susceptibles de contenir du texte, tente de distinguer les lignes et les mots, puis associe les formes observées à des caractères. Dans certains traitements, une étape de reconnaissance de la mise en page sépare les colonnes, les titres, les notes et les illustrations avant la reconnaissance des caractères.

Le résultat dépend du modèle utilisé et de son adéquation au corpus. Un modèle entraîné sur des imprimés modernes peut mal traiter une typographie ancienne. Un modèle spécialisé dans une langue donnée peut rencontrer des difficultés avec un texte bilingue, des noms propres ou des symboles scientifiques. La reconnaissance doit donc être testée sur un échantillon représentatif, et non sur une seule page facile à lire.

Les formats structurés peuvent préserver davantage d’informations qu’un simple fichier texte. Le format ALTO XML, par exemple, peut associer des mots reconnus à leur position sur l’image et fournir des informations de mise en page. Les standards METS et IIIF sont également utilisés dans des chaînes documentaires pour organiser les objets numériques, leurs métadonnées et leur présentation. Le choix d’un format ne garantit pas la qualité du contenu, mais il facilite la réutilisation et l’audit du traitement.

Mesurer les erreurs au lieu de parler d’un texte simplement bon ou mauvais

Une évaluation sérieuse repose sur un échantillon relu manuellement. Il est possible de comparer la transcription produite par l’OCR à une transcription de référence préparée par lecture humaine. Deux indicateurs courants sont le taux d’erreur au niveau du caractère, souvent appelé CER, et le taux d’erreur au niveau du mot, souvent appelé WER. Le premier s’intéresse aux substitutions, suppressions et insertions de caractères. Le second considère les mots comme unités de comparaison.

Ces indicateurs ne disent pas tout. Une erreur sur un mot fréquent peut gêner une recherche, tandis qu’une erreur dans un nom propre, une date ou une unité de mesure peut modifier fortement l’interprétation. La mise en page peut aussi être incorrecte alors que les caractères sont globalement bien reconnus. Il faut donc compléter les mesures par des contrôles ciblés sur les éléments sensibles.

Le protocole d’évaluation doit préciser la composition de l’échantillon : pages en bon et en mauvais état, différentes typographies, titres, notes, tableaux et langues éventuellement présentes. Un résultat obtenu uniquement sur les pages les plus lisibles ne représente pas la qualité de l’ensemble du fonds. Les chiffres de l’évaluation doivent toujours être accompagnés du corpus testé, de la méthode de comparaison et de la définition de l’erreur utilisée.

Corriger : quelles erreurs traiter en priorité ?

La correction humaine peut être exhaustive ou ciblée. Une correction exhaustive vise à produire une transcription aussi fidèle que possible, mais elle demande du temps et doit être organisée pour éviter les incohérences. Une correction ciblée se concentre sur les éléments qui ont le plus d’importance pour l’usage prévu : titres, noms de personnes, dates, lieux, termes techniques, références bibliographiques et mots servant à l’indexation.

Avant de corriger, il faut fixer des règles éditoriales. Les graphies originales seront-elles conservées ? Les césures en fin de ligne seront-elles supprimées ? Les abréviations seront-elles développées ou maintenues ? Les caractères illisibles seront-ils signalés par une convention particulière ? Les réponses doivent être documentées dans un guide de transcription.

Une bonne correction compare toujours le texte à l’image. Le correcteur ne doit pas réparer automatiquement une forme qui lui paraît étrange. Dans un imprimé ancien, une orthographe inhabituelle peut être authentique. De même, une répétition ou une ponctuation surprenante peut appartenir au document. En cas d’incertitude, il vaut mieux la signaler selon une règle explicite que la résoudre silencieusement.

La correction peut être facilitée par un affichage simultané de l’image et du texte, par des recherches de motifs suspects et par des listes de termes récurrents. Ces outils assistent la vérification, mais ne remplacent pas la consultation de la page originale.

Contrôler la qualité à plusieurs niveaux

Le contrôle qualité ne se limite pas à relire quelques paragraphes. Il doit couvrir toute la chaîne de production. Un premier niveau vérifie la présence et l’ordre des fichiers. Un deuxième examine la lisibilité des images. Un troisième compare la structure documentaire et la transcription. Un quatrième s’intéresse aux métadonnées et à la possibilité de retrouver les objets numériques.

Une grille de contrôle peut inclure les points suivants :

• correspondance entre le nombre de pages attendues et le nombre d’images produites ;
• absence de pages dupliquées, inversées ou manquantes ;
• orientation correcte et cadrage complet ;
• lisibilité des caractères, des marges et des notes ;
• cohérence entre la pagination imprimée et l’ordre numérique ;
• présence d’un texte OCR pour les pages concernées ;
• association correcte entre chaque zone de texte et son image ;
• cohérence des métadonnées et des identifiants ;
• conservation des fichiers maîtres et traçabilité des versions corrigées.

Il est utile de séparer les contrôles automatiques et les contrôles humains. Un script peut repérer des fichiers absents ou des séquences interrompues. Une personne doit en revanche apprécier la lisibilité d’une page, l’interprétation d’une note ou la fidélité d’une correction. La qualité est donc une propriété documentée du processus, pas une impression générale.

Préserver la structure et les relations entre les fichiers

Un livre ancien n’est pas seulement une suite d’images. Sa structure peut comprendre des parties, des chapitres, des pages liminaires, des index, des illustrations et des notes. La transcription doit conserver autant que possible les relations entre ces éléments. Une recherche sur un mot devrait conduire à la bonne page, et la page affichée devrait permettre de vérifier le contexte visuel.

Il faut distinguer au moins trois objets : l’image de référence, le texte reconnu et le texte corrigé. Les remplacer les uns par les autres fait perdre la possibilité de contrôler les décisions éditoriales. La conservation de versions séparées permet de revenir à la transcription automatique, d’étudier les erreurs de reconnaissance ou de produire ultérieurement une édition normalisée.

Les métadonnées de provenance sont également importantes. Elles peuvent indiquer la date du traitement, l’outil utilisé, le modèle de reconnaissance, les opérations de correction et les contrôles effectués. Cette traçabilité est utile pour comprendre pourquoi deux versions diffèrent et pour reproduire une partie du traitement. Elle constitue un élément de méthode, particulièrement important lorsque le corpus est réutilisé dans une recherche.

Les erreurs qui passent facilement inaperçues

Certaines erreurs sont visibles immédiatement, par exemple une page entièrement floue ou un texte placé dans le mauvais sens. D’autres sont plus discrètes. Une lettre peut être remplacée par un chiffre, une apostrophe peut disparaître, une césure peut couper un mot ou une note peut être intégrée au paragraphe principal. Les erreurs de segmentation sont parfois plus gênantes que les erreurs de caractère, car elles désorganisent la lecture et les recherches.

Les noms propres et les références chiffrées méritent une attention particulière. Une date mal reconnue peut fausser une chronologie. Un numéro de page erroné peut rendre une citation difficile à vérifier. Dans un texte scientifique ou technique, une unité, un exposant ou un symbole perdu peut modifier le sens d’une formule. Les tableaux sont eux aussi difficiles à traiter : un OCR peut reconnaître les mots sans préserver correctement les lignes et les colonnes.

La recherche plein texte doit donc être présentée avec transparence. Elle constitue un moyen d’accès puissant, mais elle ne dispense pas de consulter l’image lorsqu’une information est importante. Une notice ou une interface peut signaler que le texte a été produit automatiquement et qu’il peut contenir des erreurs.

Organiser un flux de travail reproductible

Un flux de travail reproductible décrit les étapes dans un ordre stable et conserve les informations nécessaires à leur compréhension. Une organisation pratique peut suivre cette séquence :

1. définir le périmètre et les usages du corpus ;
2. inventorier les documents et leurs particularités ;
3. préparer les volumes et les identifiants ;
4. capturer les images et vérifier un premier échantillon ;
5. appliquer l’OCR avec un modèle adapté ;
6. évaluer les résultats sur des pages représentatives ;
7. corriger selon des règles écrites ;
8. contrôler les fichiers, la structure et les métadonnées ;
9. conserver les originaux, les versions intermédiaires et les rapports.

Cette organisation permet de localiser les causes d’un problème. Si les pages sont lisibles mais que les colonnes sont mélangées, la difficulté se situe probablement dans l’analyse de mise en page. Si les caractères sont régulièrement confondus, il faut examiner le modèle, la langue déclarée ou la qualité de l’image. Si seules certaines pages échouent, leur typographie ou leur état matériel peut expliquer l’écart.

Un journal de traitement peut enregistrer les opérations effectuées sans alourdir inutilement le projet. Il suffit de consigner les paramètres pertinents, les anomalies rencontrées, les corrections importantes et les décisions qui modifient la représentation du document.

Choisir entre transcription fidèle, texte normalisé et édition enrichie

Un même fonds peut donner lieu à plusieurs produits documentaires. Une transcription diplomatique cherche à respecter les formes imprimées, y compris certaines graphies et particularités de mise en page. Un texte normalisé peut faciliter la lecture en développant des abréviations ou en harmonisant certaines formes. Une édition enrichie peut ajouter des annotations, des index, des liens internes et des informations contextuelles.

Ces produits ne doivent pas être confondus. Une normalisation peut être utile pour un public général, mais elle ne doit pas remplacer la version fidèle si la recherche porte sur l’orthographe, la langue ou l’histoire de l’imprimé. De même, une correction silencieuse peut rendre impossible l’étude des erreurs de l’OCR. La solution la plus robuste consiste souvent à conserver l’image, la transcription automatique, la transcription corrigée et, lorsque c’est pertinent, une version normalisée distincte.

La présentation au lecteur doit expliquer ces différences avec des termes simples. Une mention comme « texte issu d’une reconnaissance automatique, vérifié sur un échantillon » n’a pas la même portée que « transcription relue intégralement ». La clarté sur le niveau de contrôle protège l’interprétation et aide les utilisateurs à choisir la bonne version.

FAQ : questions fréquentes sur l’océrisation des imprimés anciens

L’OCR peut-il remplacer la lecture des images ?

L’OCR facilite la recherche et l’exploration, mais il ne remplace pas l’image de la page. Les erreurs de caractères, de mise en page, de ponctuation ou de structure peuvent modifier le sens. Pour une citation, une date, un nom propre ou une donnée technique, la vérification sur l’original numérique reste nécessaire.

Faut-il corriger toutes les pages à la main ?

Pas toujours. La décision dépend de l’usage prévu, de la taille du corpus et du niveau de précision recherché. Une correction ciblée peut suffire pour une consultation générale, tandis qu’une étude linguistique ou une édition scientifique peut exiger une transcription beaucoup plus complète. Le choix doit être explicite et évalué sur un échantillon représentatif.

Pourquoi conserver le texte OCR avant correction ?

La version automatique documente le résultat initial et permet de mesurer les améliorations. Elle aide aussi à comprendre les erreurs du modèle et à reproduire le traitement. La supprimer ferait perdre une information sur la chaîne de production.

Comment savoir si un corpus est de bonne qualité ?

Il faut examiner plusieurs dimensions : qualité des images, complétude du corpus, exactitude de la transcription, respect de la structure, cohérence des métadonnées et traçabilité des versions. Un seul indicateur, comme un taux d’erreur moyen, ne suffit pas à décrire la qualité documentaire.

Une graphie ancienne doit-elle être modernisée ?

Seulement si le projet prévoit une normalisation. Une transcription fidèle conserve les formes observées, tandis qu’une version modernisée constitue un produit éditorial différent. Les deux peuvent coexister à condition d’être clairement distinguées.