Segmentation of heterogeneous document images : an ... - Tel

Resumé
La segmentation de page est l’une des étapes les plus importantes de l’analyse
d’images de documents. Idéalement, une méthode de segmentation doit être
capable de reconstituter la structure complète de toute page de document, en
distinguant les zones de textes, les parties graphiques, les photographies, les
croquis, les figures, les tables, etc.
tel-00912566, version 1 - 2 Dec 2013
En dépit de nombreuses méthodes proposées à ce jour pour produire une segmentation
de page correcte, les difficultés sont toujours nombreuses. Le chef de
file du projet qui a rendu possible le financement de ce travail de thése 2 utilise
une chaîne de traitement complête dans laquelle les erreurs de segmentation
sont corrigées manuellement. Hormis les coûts que cela représente, le résultat
est subordonné au réglage de nombreux paramètres. En outre, certaines erreurs
échappent parfois à la vigilance des opérateurs humains.
Les résultats des méthodes de segmentation de page sont généralement acceptables
sur des documents propres et bien imprimés; mais l’échec est souvent
à constater lorsqu’il s’agit de segmenter des documents manuscrits, lorsque la
structure de ces derniers est vague, ou lorsqu’ils contiennent des notes de marge.
En outre, les tables et les publicités présentent autant de défis supplémentaires
à relever pour les algorithmes de segmentation. Notre méthode traite ces
problèmes. La méthode est divisée en quatre parties :
1. A contrario de ce qui est fait dans la plupart des méthodes de segmentation
de page classiques, nous commençons par séparer les parties textuelles et
graphiques de la page en utilisant un arbre de décision boosté.
2. Les parties textuelles et graphiques sont utilisées, avec d’autres fonctions
caractéristiques, par un champ conditionnel aléatoire bidimensionnel pour
séparer les colonnes de texte.
3. Une méthode de détection de lignes, basée sur les profils partiels de projection,
est alors lancée pour détecter les lignes de texte par rapport aux
frontières des zones de texte.
4. Enfin, une nouvelle méthode de détection de paragraphes, entraînée sur
les modèles de paragraphes les plus courants, est appliquée sur les lignes
de texte pour extraire les paragraphes, en s’appuyant sur l’apparence
géométrique des lignes de texte et leur indentation.
2 Cette thèse a été financée par le Conseil Général de Seine-Saint-Denis, par l’intermédiaire
du projet Demat-Factory, initié et conduit par SAFIG SA