Depuis quelques années, une révolution majeure est en train de s’opérer dans le monde de la communication. Nous passons progressivement du commerce des outils logiciels et des services au commerce des savoirs et des connaissances. Cette évolution, largement entraînée par certains industriels comme Google, a permis aux bibliothèques et aux archives d’obtenir des moyens financiers pour numériser sur une grande échelle leurs fonds de façon à les promouvoir dans le monde.

Aujourd’hui les nombreux projets de numérisation en France, en Europe et dans le monde produisent quotidiennement une grande quantité d’images. Parmi ces ouvrages, les documents anciens et plus particulièrement les documents manuscrits autographes d’auteurs, les manuscrits de mains humanistes ou plus encore les documents manuscrits du Moyen Age ne peuvent être interprétés que par un très petit nombre d’experts. Or, les connaissances qu’ils renferment sont importantes pour la culture et l’enseignement, il est donc important de se préoccuper aujourd’hui de la manière de les exploiter au mieux en allant chercher au cœur des pages écrites les indices et les informations qui les contiennent.

Par ailleurs, il faut également constater que le développement d’outils informatiques pour le traitement automatique des grandes bases d’images de documents historiques a pris un retard considérable ces dix dernières années, sans doute lié à l’absence de collaboration entre chercheurs en informatique et historiens. De nombreux projets de coopération tentent aujourd’hui d’y remédier. A ce titre, le laboratoire LIRIS est impliqué dans différentes actions de sauvegarde, de valorisation et d’accès au contenu du patrimoine écrit ancien.

L’exploitation et la valorisation à venir de ces collections d’images n’ont pas encore trouvé de réponses satisfaisantes, du fait même de leur caractère faiblement structuré. La génération de ces entrepôts de données, présentés sous forme de collections de documents hétérogènes faiblement structurés soulève le problème de la recherche d’information et de la navigation au sein de ces corpus. L’accès à ces gros volumes de données visuelles comprend ainsi deux étapes essentielles sur lesquelles il faut se pencher :
 l’indexation des données : les données sont traitées en vue de l’identification et de l’extraction des traits caractéristiques spécifiques au contenu. Les primitives extraites sont organisées et structurées pour former des index d’images. Le rôle de ces index est d’aider à l’efficacité du processus de recherche et d’accès aux données originales, et pour réaliser notamment des outils de comparaisons entre images selon leur ressemblance.
 la recherche et l’accès aux données : une recherche se base la plupart du temps sur une requête constituée d’une ou de plusieurs primitives. La recherche consiste alors en une mise en correspondance à partir d’une mesure de similarité permettant d’apparier les images ou les portions d’images entre elles.

L’exposé présenté fera le tour des besoins exprimés en matière de valorisation et de recherche par le contenu dans les grandes bases de manuscrits. Il présentera les solutions logicielles actuellement développées au LIRIS pour permettre un accès facilité aux contenus, en proposant notamment la définition de nouveaux descripteurs de formes permettant de résoudre les étapes d’indexation et de recherche précédemment citées. Les applications visées sont :
 La recherche de documents dans de grandes bases d’images selon leur mise en page et l’agencement des données
 l’identification des scripteurs
 le repérage d’éléments de contenu (recherche d’occurrences de mots)

Pour décrire les données que nous traitons, il faut tout d’abord rappeler que les caractéristiques des images de manuscrits et leur contenu ne se limitent pas aux données écrites (le texte), et qu’il existe quantité de métadonnées (autres que celles liées au texte) susceptibles d’enrichir la description d’une page numérisée.

Les images numérisées du patrimoine écrit qui serviront d’exemples à ces démonstrations sont issues de différents corpus d’images. Les outils de caractérisation des formes qui seront proposés ont été imaginés pour résister au mieux à la grande diversité des formes présentes dans les images tout en gardant une forme de généricité pour continuer à évoluer.

Pour préparer la séance
 [en] Word Spotting for Handwritten Historical Document Retrieval http://ciir.cs.umass.edu/irdemo/hw-demo/wordspot_retr.html