Extraction automatisée de lignes et de fragments textuels dans les images de manuscrits d’auteur du 19ème siècle

National audienceDans cet article nous proposons une nouvelle approche pour l’enrichissement des éditions élec-troniques de corpus littéraires grâce à l’estimation de la structure des documents manuscrits.Dans tout processus d’analyse de document manuscrit l’analyse de la structure est une étape im-portante : en effet, disposer de la position des lignes de texte, des paragraphes et des fragmentspermet d’envisager de nouveaux moyens d’exploiter les corpus littéraires. L’extraction de struc-ture d’un document manuscrit est rendue difficile par les variations d’orientation de la ligne debase et des espaces interligne mais également par les chevauchements entre lignes et les occlu-sions. On propose un algorithme d’extraction des lignes de texte et des fragments textuels basésur une analyse en composantes connexes. Une fois l’extraction des composantes connexes réal-isée on construit un graphe d’adjacences pondéré et orienté : chaque composante connexe corre-spond à un nœud. Chaque nœud est l’origine de 4 arcs le reliant à ses plus proches voisins dans4 directions : gauche, droite, haut et bas. En parallèle et via une approche similaire chaque com-posante connexe est identifiée comme appartenant à une des classes suivantes : haut de page, basde page, gauche, droite ou intérieur du texte. Cette identification permet d’initialiser l’algorithmed’extraction des lignes qui utilise une recherche du plus court chemin entre connexité gauche etdroite sur le graphe orienté décrit précédemment. L’extraction des fragments est ensuite réaliséevia une fusion des lignes extraites par rapport à des critères de distance interligne et de variationd’orientation de la ligne de base