Version classiqueVersion mobile
OpenEdition Books

Numériser et mettre en ligne

 | 
Thierry Claerr
, 
Isabelle Westeel

Partie I. Maîtriser les aspects techniques de la numérisation

Catherine Mocellin

Texte intégral

LA NUMÉRISATION DES IMAGES FIXES (IMPRIMÉS, ICONOGRAPHIE)

  • 1 Un bit est la plus petite unité de traitement de l’information par un ordinateur. 8 bits font un oc (...)

1La numérisation est la conversion d’une information présente sur un support physique en codage numérique en mode binaire (en 0 et 1) sur un ou plusieurs bits1, lisible par un programme (logiciel, périphérique, etc.). Cette conversion aboutit à une image (numérisation en mode image, ou fac-similé) ou à une information textuelle : conversion en mode texte du mode image, automatiquement par un logiciel de reconnaissance optique des caractères (OCR) ou par saisie manuelle.

NUMÉRISATION EN MODE IMAGE

Caractéristiques de l’image numérique

2Dans le numériseur ou l’appareil photo, un convertisseur analogique-numérique comportant des capteurs de lumière opère la transformation de l’image analogique en sa version numérique. Selon les appareils, ces capteurs sont organisés en matrice ou de manière linéaire (voir encadré sur les numériseurs p. 40).

  • 2 « Carte de bits ». Les images vectorielles, traduisant l’information par équations, ne sont pas uti (...)
  • 3 Pixel : picture element, plus petite unité d’image numérique.

3La lumière réfléchie par l’objet est exprimée par 0 (pas de lumière, pas de courant) ou 1 ; la luminosité de chaque pixel est donc codée par une valeur numérique. L’image résultante est de type matricielle ou bitmap2, c’est-à-dire une juxtaposition de pixels3 en rangées et en colonnes dont la valeur est générée par les capteurs :

Grille de pixels en niveaux de gris

  • 4 Extrait, avec l’autorisation des auteurs, de Gilles Kagan, Thierry Buquet, Numérisation d’images : (...)

Conversion du signal analogique en signal numérique4

  • 5 Profondeur d’acquisition ou dynamique de l’image.
  • 6 On rappellera pour mémoire le codage en couleurs indexées, selon une palette de 256 valeurs de coul (...)

4La profondeur d’acquisition5 est le nombre de bits codant chaque pixel ; elle influence donc le poids du fichier. Voici les trois principaux modes d’encodage des couleurs : un codage sur 1 bit restitue une image bitonale (noire et blanche) avec 2 valeurs possibles pour chaque pixel, 0 et 1. Un codage de chaque pixel sur 8 bits restitue une image à 256 valeurs (28 niveaux de gris). Un codage sur 24 bits (3 octets) restitue une image à 16,7 millions (224) de couleurs (couleurs vraies6). Chaque octet contient la valeur d’une couche de couleur (rouge, vert, bleu) comprise entre 0 et 255. Ce codage à 24 bits multiplie par 3 le poids informatique du fichier par rapport à un codage en niveaux de gris. On obtient en général une image bitonale par la binarisation, ou réduction des valeurs de pixels en niveaux de gris ou en couleurs à 0 ou 1, à partir d’une valeur de référence fixée dans les gris. Les pixels plus sombres que la valeur du seuil seront mis en noir, les pixels plus clairs en blanc, ce qui implique un éclairage suffisant et un bon réglage du point blanc. Le seuil de binarisation doit être choisi avec précaution : s’il tend trop vers le noir, on risque la perte d’information (trop de pixels gris sont convertis en blanc) ; s’il tend trop vers le blanc, il y a risque d’illisibilité (trop de pixels gris deviennent noirs). La binarisation est pertinente sur les imprimés de bonne qualité, elle facilite la lecture et permet de diminuer le poids des fichiers à stocker. Cependant elle est complexe à définir surtout si le papier et/ou l’impression sont hétérogènes ; les documents trop tachés ou à trop faible contraste ne pourront pas être binarisés sauf à devenir illisibles. La profondeur d’acquisition est donc fonction du support et de son contenu. Le niveau de gris est très adapté pour la presse, du fait de la finesse des caractères, de la fréquente hétérogénéité du papier et des illustrations :

TABLEAU. PROFONDEUR D’ACQUISITION RECOMMANDÉE SELON LE SUPPORT

TABLEAU. PROFONDEUR D’ACQUISITION RECOMMANDÉE SELON LE SUPPORT
  • 7 Inch, un pouce = 2,54 cm.

5La définition et la résolution définissent l’image numérique quantitativement. La définition est le nombre total de pixels de l’image : nombre en abscisses multiplié par le nombre en ordonnées, par exemple 2 048 x 3 072 = 6,29 millions de pixels. La résolution est le nombre de pixels par unité de mesure, en général le pouce7. L’unité est le dpi (dot per inch) ou ppi (pixel per inch). « 300 dpi » signifie que chaque pouce en abscisses et en ordonnées comprend 300 pixels juxtaposés.

6Après la capture, il est possible d’accroître la résolution par ajout artificiel de pixels de valeurs similaires aux pixels proches (rééchantillonnage ou interpolation). Cette création d’information artificielle est à éviter dans un projet de numérisation qui vise à la préservation à long terme de documents, on s’assurera donc que le prestataire ne l’a pas mis en œuvre à la production. On peut aussi diminuer le nombre de pixels par la compression (voir infra).

7La résolution exprimant une fréquence d’échantillonnage, plus elle est haute, plus la finesse de détails sur l’image restituée sera importante et donc plus le poids du fichier non compressé sera lourd. Ce choix est donc à faire soigneusement, en préservant l’avenir, et selon les caractéristiques de l’original et les modalités de restitution : plus le document est petit, plus la résolution doit être élevée pour capturer les détails et permettre des agrandissements. Pour les documents de très grand format (> A1) on pourra prendre plusieurs vues de détail à une résolution standard (300 dpi) et une vue globale à une résolution plus faible (150 dpi). 300 dpi permet la substitution sur écran et l’impression à l’échelle originale, puisque les écrans ont en général une résolution entre 72 et 96 dpi et les imprimantes standard une résolution d’impression minimale de 150 lpi (lignes par pouce). Une image inférieure à 150 dpi ne pourra donc pas être imprimée avec qualité mais sera lisible sur écran.

8Le poids de l’image est déterminé par la résolution et la profondeur d’acquisition et se distingue du poids du fichier définitif, lié au format et à une éventuelle compression. Ce poids informatique, en octets, est calculé avec la formule :

9définition * profondeur d’acquisition/8.

  • 8 Détail du calcul : 100 * (15/2.54 * 300 * 21/2.54 * 300 * 1/8/1024) = 53 640 Ko, ~ 52,38 Mo

10On divisera par 1 024 pour avoir le poids en kilo-octet. Pour un ouvrage de 100 pages A5 (15*21 cm) en noir et blanc en 300 dpi non compressé, on calculera le poids en Ko en exprimant la définition d’une image en cm (division par 2,54), puis en divisant par 8 puis par 1 024 et en multipliant le tout par 100. Le poids final est de 53 640 Ko soit environ 52,38 Mo8.

  • 9 Détail des choix techniques de la BnF : Bibliothèque nationale de France. [En ligne] < http://www.b (...)

11La résolution sera donc choisie selon la taille de l’original, l’utilisation prévue, les capacités du système d’archivage et ses évolutions. Pour une conservation à long terme, les résolutions suivantes par type de document, issues des règles de la BnF9, sont proposées :

TABLEAU. RÉSOLUTIONS PRÉCONISÉES SELON LE TYPE ET LE FORMAT DES ORIGINAUX

TABLEAU. RÉSOLUTIONS PRÉCONISÉES SELON LE TYPE ET LE FORMAT DES ORIGINAUX

Formats et compression

  • 10 Exemples de fichiers RAW : CR2, NEF, CRW…

12Un format de fichier est une manière de coder les données. Il peut être propriétaire ou non, éventuellement composé de sous-ensembles. Selon leurs caractéristiques, certains formats sont plus adaptés à la numérisation que d’autres. Le format natif généré par l’appareil, propre au constructeur, est dénommé par le terme générique RAW (« brut »)10 . C’est en quelque sorte le négatif de l’image : ce fichier contient les informations relatives aux conditions de prise de vue et aux réglages. Il permet d’évaluer la qualité d’une photo avant traitement mais il est consultable à l’aide d’un convertisseur spécifique et ce n’est pas un format d’archivage. Il n’est donc pas très utile de conserver les fichiers RAW. Adobe® a défini un format RAW ouvert et le plus universel possible, le DNG, dont l’utilisation n’est cependant pas encore généralisée.

13Les caractéristiques des formats et de leurs sous-ensembles étant variables, le poids du fichier dans un format donné sera différent, a fortiori si l’image est compressée.

  • 11 Quotient de compression = taille initiale de l’image/taille finale ; plus la compression est forte, (...)
  • 12 Voir le Mémento établi par la BnF début 2009 : Bibliothèque nationale de France. [En ligne] http:/ (...)
  • 13 Du nom de ses inventeurs Lempel, ZiV puis Welch (fin des années 1970 - début des années 1980).
  • 14 National Digital Newspaper Program par ex. : Bibliothèque du Congrès. [En ligne] < http://chronicli (...)

14La compression consiste à réduire le nombre de pixels de l’image, avec ou sans perte d’informations. Le quotient ou le taux11 de compression doit être choisi pour fournir le meilleur équilibre entre la qualité d’image et l’économie en poids finales. Le mode avec perte est irréversible : à la réouverture de l’image, les données compressées ne sont pas restituées. C’est le cas de la compression JPEG. Plus le taux est fort, plus l’image sera « pixellisée » et présentera des artefacts, mais moins elle sera lourde. Un taux de compression de 75-80 % donne généralement le meilleur ratio qualité/taille mais même à une qualité de 100 % la compression JPEG détériore l’image12. Si l’image est destinée à être réutilisée et archivée, il est préférable de choisir la compression sans perte consistant généralement à factoriser les pixels identiques et à mémoriser leur emplacement dans l’image pour les restituer à leur place à la décompression. Parmi les algorithmes sans perte, celui du groupe 4 de l’UIT (Union Internationale des Télécommunications) défini d’abord pour les fax est très intéressant, mais valable uniquement pour les images bitonales. La compression LZW13 procède par constitution de dictionnaires de données récurrentes auxquels un code est affecté. Lors de la compression, c’est ce code qui est attribué pour les données déjà connues dans un dictionnaire. JPEG 2000 est un nouvel algorithme de compression avec ou sans perte plus puissant que le JPEG, auquel est associé un format. Sans entrer dans les détails on précisera que la méthode permet, à partir de l’image initiale, la création d’images de résolutions et de tailles différentes (« tuiles »). C’est pourquoi il est aussi considéré comme un format de diffusion, à ceci près qu’il faut un plug-in pour le consulter en ligne. Notamment grâce à sa compression sans perte, JPEG 2000 est un format prometteur dont l’utilisation est à l’étude à la BnF, et déjà actée par de grandes bibliothèques étrangères (BN de Norvège, des Pays-Bas, LoC…) pour l’archivage à long terme et la diffusion14. Il permet de diminuer fortement les espaces de stockage nécessaires à l’archivage. Le format PNG a été créé en 1995 afin de remplacer le GIF et de repousser les limites du JPEG. Il supporte jusqu’à 16 bits par couche de couleur et sa compression est non destructive. Indépendant des plateformes et des systèmes d’exploitation, ce format ouvert possède de nombreuses fonctionnalités mais il est encore peu répandu. Enfin le TIFF est un format très répandu et préconisé pour l’archivage à long terme.

15Quel que soit le format, les fichiers non compressés sont très lourds : voici quelques grandeurs arrondies pour un original A4, en TIFF v. 6 monopage non compressé et pour un ouvrage de 200 pages en 300 dpi :

16Le format e-pub (.epub), libre et ouvert, développé par l’IDPF15 depuis septembre 2007 est utilisé pour la publication sur liseuses (e-books) car il permet d’ajuster le contenu au type de support électronique. Aujourd’hui il est adapté surtout aux contenus textuels simples, pas pour les documents à présentation complexe, et se compose d’un ensemble de fichiers zippés.

TABLEAU. RAPPORTS DE POIDS SELON LA PROFONDEUR D’ACQUISITION ET LA RÉSOLUTION

TABLEAU. RAPPORTS DE POIDS SELON LA PROFONDEUR D’ACQUISITION ET LA RÉSOLUTION
  • 16 Exemple : « passer de 300 dpi à 600 dpi ».

Remarque : doubler la résolution revient à quadrupler le volume16.

  • 17 Voir le Mémento sur les formats de la BnF, op. cit., et les pages de la Bibliothèque du Congrès. [E (...)

17Ci-dessous les principaux formats actuels recommandés et leurs caractéristiques17.

TABLEAU. CARACTÉRISTIQUES DES PRINCIPAUX FORMATS DE FICHIER D’IMAGES FIXES p. 28

TABLEAU. CARACTÉRISTIQUES DES PRINCIPAUX FORMATS DE FICHIER D’IMAGES FIXES p. 28

Gestion des couleurs

18La gestion des couleurs est l’un des points délicats dans un projet de numérisation. Dans la chaîne numérique coexistent deux principaux espaces de couleurs (manières de coder celles-ci) : RVB (rouge, vert, bleu) à l’acquisition et à la restitution sur écran, CMJN (cyan, magenta, jaune, noir) à l’impression. Adobe® 98 est un espace RVB très courant ; sRGB, plus étendu, est également utilisé. Les couleurs n’étant pas traduites de manière identique dans chaque espace, des fichiers normalisés – profils ICC18 - permettront de convertir les références d’un espace à l’autre tout au long de la chaîne pour garantir une impression des couleurs fidèle à l’original. Un profil fait le lien d’une part entre les couleurs de modes différents (RVB vers CMJN) et d’autre part entre les coordonnées des couleurs de chaque appareil travaillant dans un même mode (numériseur, écran). En début de projet et pour chaque lot homogène de documents les appareils doivent être calibrés à l’aide d’outils normalisés : il s’agit de définir leur état de référence (pour les couleurs à partir du point blanc, la résolution, etc.) et de constituer les référentiels utilisés lors de la production courante. Cette étape est à suivre avec attention : un réel dialogue fourni doit être instauré avec le prestataire ou l’opérateur si la numérisation est faite en interne, pour veiller à ce que les réglages permettent d’atteindre le niveau de qualité exigé. Pour une bonne restitution des couleurs au long du projet, on veillera à :

  • avoir un système de numérisation performant et adapté au projet avec une bonne gestion de la lumière à la capture (lumière blanche calibrée avec illumination suffisante, pas de lumière parasite) ;

  • étalonner le numériseur : définir un état colorimétrique de référence à partir du point blanc et d’outils (mires normalisées…), utiliser des profils ICC et vérifier régulièrement l’absence de dérives ;

  • ajouter à chaque document numérique l’image des mires numérisées le jour du traitement du document ;

  • calibrer les écrans de contrôle à l’aide d’un spectrophotomètre ou d’un colorimètre et vérifier régulièrement l’absence de dérives ;

  • contrôler les images avec les originaux sous les yeux.

CONVERSION EN MODE TEXTE

19Ce procédé permet la recherche plein texte sur des imprimés numérisés, donc de valoriser le contenu et de proposer de nouveaux services aux utilisateurs :

apports de l’ocr et difficultés posées par la conversion
Intérêts
• Recherche plein texte, manipulations multiples
• Amélioration du niveau de services : navigabilité, facilité de consultation, annotations…
• Accessibilité pour les personnes handicapées

Difficultés
• Lourdeur (balisage conforme à un schéma, relectures…)
• Coûts élevés
• Chaîne et outils de contrôle, voire d’extraction d’images, à développer

20La conversion en mode texte est faite par saisie manuelle et/ou par reconnaissance optique des caractères (OCR), méthode automatique. La technologie OCR est en évolution permanente, mais la méthode reste fondamentalement la même : segmentation de l’image en plusieurs « boîtes » de texte caractérisées (de la zone imprimée jusqu’à l’espace et la césure entre deux termes), enregistrement de leurs coordonnées en pixels dans un repère orthonormé dont l’origine est le point supérieur gauche de la page, puis reconnaissance des caractères de chaque boîte par comparaison avec des ensembles de formes et à l’aide d’outils linguistiques, conversion enfin dans un codage donné (ISO-8859-1, UTF-8…). Ce schéma montre la segmentation et la caractérisation des boîtes dans un texte.

SCHEMA. OCR - SEGMENTATION D’UNE ZONE IMPRIMÉE ET CARACTÉRISATION DES BOÎTES

SCHEMA. OCR - SEGMENTATION D’UNE ZONE IMPRIMÉE ET CARACTÉRISATION DES BOÎTES

Reproduit avec l’autorisation de la BnF. Charte de conversion OCR des collections de la BnF (février 2009). [En ligne] < http://www.bnf.fr/​fr/​professionnels/​num_conversion_texte/​s.num_conversion_texte_ocr.html > (consulté le 19 février 2010).

21Le résultat est un fichier texte dans un format simple (.txt) ou xml (format ALTO par exemple) dont le contenu peut être inclus dans un fichier PDF multicouche pour l’affichage du texte en transparence avec le mode image et autoriser la recherche. L’indexation du texte permet d’offrir à l’utilisateur un moteur de recherche qui ne se limite pas aux fonctionnalités du PDF.

22La segmentation et la reconnaissance sont qualifiées par un taux de qualité en pourcentage (100 % signifiant aucune erreur) : ce taux peut être déterminé – OCR corrigé, pour atteindre un niveau de qualité fixe, par exemple 98,5 % – ou pas (OCR brut). Même en combinant plusieurs logiciels d’OCR sur un même texte, atteindre une haute qualité (entre 98 et 100 %) implique une reprise manuelle et devient donc plus coûteux que l’OCR brut qui peut fournir de bons résultats si le support et l’impression sont de qualité. Pour la segmentation, l’unité d’évaluation est la zone couverte par la boîte ; pour la reconnaissance, l’unité est le mot ou le caractère : 99,985 % de reconnaissance au caractère (soit 15 erreurs tous les 100 000 caractères) signifie que sur un échantillon de 1 000 caractères espaces compris, la première erreur provoquera le rejet du document. Ce taux proche de la saisie manuelle risque de retarder la production du fait de reprises très importantes. On choisira donc un taux légèrement plus bas, ou une qualité au mot, selon chaque situation. Pour l’OCR brut, on vérifiera que le taux annoncé par le titulaire est bien celui constaté par le commanditaire.

23On prendra en compte en particulier les caractéristiques du support et le contenu. La presse présentant un très grand nombre de caractères par page, un niveau trop proche de 100 % risque d’élever les coûts, alors que l’on pourra choisir un taux très élevé pour des périodiques ou des monographies, et surtout pour des dictionnaires ou des index. En général pour des documents de ce type (aux formats et nombre de caractères par pages standards), l’OCR haute qualité est en moyenne entre 30 et 35 % plus cher que le brut. Les pratiques des bibliothèques françaises sont variables : à la BnF en 2009 le taux de reconnaissance est de 98,5 % au fasicule pour la presse (taux fixe), et pour les imprimés c’est un OCR brut sauf sur une sélection d’entre eux (99,9 % au document). Les autres bibliothèques ayant conduit des projets d’OCR ont en général choisi de l’OCR brut.

24La qualité de l’OCR dépend de la qualité de l’original et de sa version numérisée. Même si la recherche dans ce domaine avance vite, on signalera au Cahier des clauses techniques particulières (CCTP) les caractéristiques suivantes, qui n’empêchent pas la production mais limitent la qualité finale :

  • mauvaise qualité de l’original et de l’image numérique : cas de courbures et d’inclinaisons de lignes, de caractères déformés : la segmentation est difficile, donc la reconnaissance mauvaise ;

  • impression de l’original hétérogène, trop grasse, page tachée (rousseurs…), surtout si l’image est binarisée : les mots seront mal reconnus ;

  • zones ou supports difficilement reconnaissables : zones illustrées ; manuscrits ;

  • polices de caractères trop resserrées, trop irrégulières, caractères trop gras, trop grands : risques de confusion entre les caractères. Les alphabets non latins ou non ISO sont mal reconnus (grec, fraktur,…) ;

  • structure du texte : s’il est en colonne, il faut définir un ordre de segmentation ; signaler les éléments non textuels imbriqués (graphiques, illustrations…).

25La résolution doit également être suffisante et la binarisation correcte pour une bonne reconnaissance. Le fonds à traiter doit être le plus homogène possible afin d’éviter des ajustements fréquents des outils, toujours coûteux.

26Un format courant pour l’OCR est le ALTO, défini par la Bibliothèque du Congrès et la BnF19. Reposant sur un schéma XML, il est libre, ouvert et permet l’archivage et la réutilisation à long terme des données dans la mesure où il conserve notamment pour chaque zone de texte, les coordonnées, le taux de confiance de reconnaissance, des informations de présentation.

27Il est donc très répandu mais la gestion des fichiers ALTO nécessite une chaîne de contrôle et de conservation spécifique. Une solution plus légère mais moins pérenne consiste à demander au prestataire une livraison du texte incluse dans les fichiers PDF ou PNG de diffusion. Enfin, selon les moyens disponibles, la conversion des tables des matières et des index en mode texte est une solution intermédiaire satisfaisante pour offrir des accès fins au contenu maintenu en mode image.

SUIVI DE LA QUALITÉ

28Le contrôle qualité passe par la définition, par prestation, de critères de qualité, d’un ou des niveaux de qualité acceptables (NQA) et de méthodes de contrôle, explicités dans le CCTP. Chaque critère mentionné doit être contrôlé. Les erreurs peuvent être classées selon leur gravité avec un NQA différent (par exemple 1 % pour les erreurs qualifiées comme majeures, 1,5 % pour les erreurs mineures). Les contrôles concerneront la qualité des images, de la conversion, des métadonnées, de l’écriture et de l’organisation des fichiers sur les supports de livraison et tout autre point demandé. Le contrôle visuel implique des écrans calibrés et de grande dimension, du personnel suffisant et compétent dont les activités seront diversifiées pour limiter la monotonie du contrôle, source de lassitude et de diminution de l’acuité visuelle. Plusieurs méthodes de suivi de la qualité existent et peuvent être combinées, selon la situation de chaque établissement, en voici quelques-unes ci-dessous :

TABLEAU. MÉTHODES DE CONTRÔLE QUALITÉ POSSIBLES ET LEURS PRINCIPALES CARACTÉRISTIQUES

TABLEAU. MÉTHODES DE CONTRÔLE QUALITÉ POSSIBLES ET LEURS PRINCIPALES CARACTÉRISTIQUES
  • 20 Norme NF-ISO 2859-1 : règles d’échantillonnage pour les contrôles par attributs.

Note 2020

29Sous-traiter le contrôle qualité est envisageable si le commanditaire a les moyens de suivre, voire d’arbitrer deux marchés articulés entre eux ou deux lots d’un même marché.

TABLEAU. AVANTAGES ET LIMITES D’UN CONTRÔLE QUALITÉ SOUS-TRAITÉ

TABLEAU. AVANTAGES ET LIMITES D’UN CONTRÔLE QUALITÉ SOUS-TRAITÉ

30Au lancement du projet, la phase de test vise à valider avec le prestataire les calibrages et les ajustements des outils de production permettant d’obtenir, sur un ensemble de documents représentatifs du fonds à traiter (jeu de tests) la qualité requise au cahier des charges. Cette phase déterminante implique un dialogue rapproché avec le prestataire pour déterminer les procédures et les réglages fins (image exhaustive, nette et redressée, remise en polarité positive pour les originaux négatifs, profondeur de codage et seuil de binarisation adaptés, taux qualité pour l’OCR…). Si plusieurs prestations sont requises, des contrôles unitaires par prestation précéderont les contrôles globaux portant sur l’ensemble. La validation des tests par le commanditaire signifie le lancement de la phase de production courante. Les moyens de production étant calés sur les choix et référentiels convenus en phase de test, demander leur modification en production courante est très délicat puisque tout changement sur une chaîne de production a un coût. La réussite de la phase de test conditionne donc largement celle de la production courante.

Numérisation et microfilms
Pour certaines collections, en particulier la presse ancienne, en fonction des moyens de l’établissement, de la politique de conservation et de communication des originaux, on choisira de numériser la collection telle qu’elle se présente, de la consolider avant ou après traitement, de faire appel à une collection d’une autre institution en meilleur état, ou à des microformes sous réserve de la qualité des masters et de leur disponibilité pour la numérisation.

Recommandations
Il est préférable de choisir de traiter des masters de très bonne qualité non communiqués aux lecteurs plutôt que des copies. Il est donc nécessaire d’effectuer une visualisation préalable des collections de films par sondage. Lors de cette étape, on prendra particulièrement garde aux points suivants :

  • homogénéité de la densité sur une bobine ;

  • longueur et solidité du film (on vérifiera la présence ou non de collages) ;

qualité de l’émulsion ;

  • type de reproduction : en noir et blanc ou en modelé continu ;

  • état matériel du film : absence de poussières, de rayures ;

  • caractéristiques du document reproduit : une reliure très serrée se traduit sur le film par une zone d’ombre pouvant masquer les premiers caractères de chaque ligne et induit des difficultés supplémentaires pour l’OCR. Si cette zone est large et sur de nombreuses pages, il faudra envisager de traiter l’original papier dérelié, s’il est disponible ; dans le cas contraire, on veillera à signaler au lecteur que la numérisation est conforme à l’original ;

    • 21 ACRPP : [En ligne] < http://www.acrpp.fr/ >

    propriété des films : elle doit appartenir à l’institution, on veillera donc à identifier les modalités de reproduction avant de lancer le programme de numérisation. On notera que les matrices des films reproduits par l’Association pour la conservation et la reproduction photographique de la presse (ACRPP21) sont en général la propriété de l’Association, il est donc nécessaire d’obtenir son autorisation avant d’entreprendre leur numérisation.

Les numériseurs de microformes ne permettent pas à ce jour (2009) de numériser tous les formats originaux si la résolution dépasse 300 dpi. Pour traiter des documents à une résolution supérieure à cette dernière, il faudra par exemple :

  • se limiter dans les formats des originaux (le A3 représente une limite sûre) ;

  • prévoir deux résolutions : 400 dpi jusqu’au A3 et 300 ou moins au-delà.

  • 22 Partie métallique servant de support à un appareil optique.

ENCADRÉ. CHOISIR UN NUMÉRISEUR par Bernard Fages
Un grand nombre de numériseurs de documents sont disponibles sur le marché français mais tous ne sont pas destinés aux mêmes applications. On peut distinguer trois grandes typologies d’équipement :
• les numériseurs destinés à être mis en libre-service dans une salle de lecture, l’image numérique est généralement destinée à l’usage propre du lecteur qui peut obtenir soit un fichier numérique via un port USB ou une copie papier directe via une imprimante directement connectée au numériseur ou en réseau ;
• les numériseurs de production, dont les fichiers sont destinés à l’archivage à des fins de conservation et de diffusion. Ils peuvent être répartis en deux groupes : ceux jusqu’au format A2 et ceux d’un format supérieur ;
• les numériseurs automatiques, équipés d’un robot tourne pages, sont destinés à la numérisation de masse. Ils nécessitent des corpus relativement homogènes en terme de dimensions d’ouvrages et de qualité des papiers. Certains d’entre eux peuvent aussi convenir pour des documents dont la reliure ne permet pas une ouverture supérieure à 90°. Le feuilletage automatique des pages peut être débrayé dans le cas d’une trop grande hétérogénéité des feuillets.
Enfin, un boîtier photographique ou dos numérique montés sur un statif de reproduction22 et un système d’éclairage font un excellent numériseur. Aujourd’hui, les plus avancés de ces systèmes ne permettent d’enregistrer guère plus qu’un format A2 en 400 dpi. Contrairement aux typologies de numériseurs citées plus haut, ce type de configuration exige d’être servi par un photographe.

CHOIX D’UN NUMÉRISEUR
Il est difficile de donner une règle générale pour choisir un numériseur. Au moins trois critères sont à prendre en compte.

Le porte livres
Il doit être adapté aux dimensions (hauteur, largeur et épaisseur) et à la typologie (reliés, reliés serrés, en feuilles, etc.) des documents qui seront enregistrés. Attention : les dimensions admissibles sur un même équipement varient suivant l’utilisation d’un porte livres à 180° ou d’un porte livres à ouverture partielle. La plupart des porte livres peuvent être utilisés avec ou sans vitre. L’utilisation de la vitre nécessite de vérifier si la pression exercée par les plateaux est réglable et si leur vitesse de montée est ajustable.

  • 23 Exprimée en dpi ou ppp : point par pouce.

La résolution sur l’original
La résolution23 dépend directement du nombre de capteurs sur la barrette d’analyse (cas des numériseurs à balayage) ou du nombre de capteurs sur la matrice et de la distance entre le document original et les capteurs. Pour un même capteur, la qualité dépend aussi de la quantité de lumière insolant les capteurs. C’est ainsi qu’un balayage rapide se traduira par un rendu des couleurs moins correct par rapport à un balayage plus lent. Le logiciel de traitement de l’image du numériseur intervient aussi largement dans la qualité de l’image reproduite.

  • 24 LED : Light-Emitting Diode – DEL (diode électroluminescente) : petit composant électronique capable (...)

Le type d’éclairage
Pour avoir un rendu colorimétrique fidèle au document, il faut que le numériseur soit doté d’un système d’éclairage qui lui soit propre. Sans un éclairage adapté, le résultat de numérisation dépendrait du type d’éclairage (lumière du jour, incandescent, fluorescent, LED24…) de la pièce où se trouve le numériseur.
On l’a bien compris, le choix d’un numériseur résulte d’un compromis. Il conviendra de privilégier les critères qui apparaissent les plus importants pour la réussite du projet.

Le travail de numérisation
L’aspect « numérisation » ne représente qu’une partie du travail à effectuer par le photographe. Il est en effet nécessaire de rattacher les fichiers numériques à la notice qui décrit intellectuellement le document et, éventuellement, de donner un certain nombre d’indications sur l’aspect physique du document original : feuillet manquant, erreur de pagination ou de foliotation, pages maculées, déchirées, etc. et aussi création d’une table des matières en correspondance avec le numéro du fichier. Ces saisies sont à la charge du photographe qui, document en main, doit renseigner ces champs annexes du fichier image, pour faciliter la lecture de l’utilisateur.
Les caractéristiques physiques des documents influent sur la difficulté à les numériser. La principale contrainte est due aux reliures précieuses et fragiles, qui imposent le recours à un porte livre à ouverture partielle (100 à 140°). C’est également le cas des papiers brillants qui induisent des reflets sur les images numériques ou, à l’inverse, la nécessité de faire briller les « ors » pour certains documents enluminés.
Ces difficultés de numérisation induisent fortement sur la productivité des numériseurs. En pratique, la numérisation automatique d’un document relié, homogène en terme de qualité de papier et de taille de pages permettra d’enregistrer en une heure ce que d’autres feront en une journée avec des documents fragiles, hétérogènes (type de papier et taille de page différents, dépliants, etc.) ou demandant une manipulation méticuleuse.
Avec des documents patrimoniaux, en automatique on ne peut guère dépasser 3 000 pages par jour, et en manuel, suivant les difficultés rencontrées, la productivité peut varier de 200 jusqu’à 1 000 pages par jour, ce qui semble un maximum.

TABLEAU. VUE, NON EXHAUSTIVE, DES MARQUES ET DES NUMÉRISEURS DISPONIBLES EN FRANCE

TABLEAU. VUE, NON EXHAUSTIVE, DES MARQUES ET DES NUMÉRISEURS DISPONIBLES EN FRANCE

TABLEAU. NUMERISATION INTERNE/EXTERNE
par Thierry Claerr et Isabelle Westeel

TABLEAU. NUMERISATION INTERNE/EXTERNEpar Thierry Claerr et Isabelle Westeel

Notes

1 Un bit est la plus petite unité de traitement de l’information par un ordinateur. 8 bits font un octet. 1024 octets font un kilo-octet (Ko), 1024 Ko font un méga-octet (Mo) et ainsi de suite.

2 « Carte de bits ». Les images vectorielles, traduisant l’information par équations, ne sont pas utiles pour les projets des bibliothèques ou des services d’archives.

3 Pixel : picture element, plus petite unité d’image numérique.

4 Extrait, avec l’autorisation des auteurs, de Gilles Kagan, Thierry Buquet, Numérisation d’images : de l’acquisition à la publication. Cours proposé par le service photographique de l’IRHT. Orléans, IRHT, 2002 (Ædilis, Publications pédagogiques, 1) < http://www.irht.cnrs.fr/cours/acq/numerique.htm > (consulté le 19 février 2010).

5 Profondeur d’acquisition ou dynamique de l’image.

6 On rappellera pour mémoire le codage en couleurs indexées, selon une palette de 256 valeurs de couleur, donc sur 8 bits. La représentation des couleurs est très pauvre mais cette méthode est économe en espace de stockage.

7 Inch, un pouce = 2,54 cm.

8 Détail du calcul : 100 * (15/2.54 * 300 * 21/2.54 * 300 * 1/8/1024) = 53 640 Ko, ~ 52,38 Mo

9 Détail des choix techniques de la BnF : Bibliothèque nationale de France. [En ligne] < http://www.bnf.fr/fr/professionnels/numeriser.html > (consulté le 19 février 2010).

10 Exemples de fichiers RAW : CR2, NEF, CRW…

11 Quotient de compression = taille initiale de l’image/taille finale ; plus la compression est forte, plus le quotient est élevé. Taux = taille finale/taille initiale * 100 (s’exprime en %). À un taux de 10 %, l’image finale est 10 fois moins importante que l’image initiale.

12 Voir le Mémento établi par la BnF début 2009 : Bibliothèque nationale de France. [En ligne] < http://www.bnf.fr/fr/professionnels/num_metadonnees/s.num_metadonnees_formats.html > (consulté le 19 février 2010).

13 Du nom de ses inventeurs Lempel, ZiV puis Welch (fin des années 1970 - début des années 1980).

14 National Digital Newspaper Program par ex. : Bibliothèque du Congrès. [En ligne] < http://chroniclingamerica.loc.gov/> (consulté le 19 février 2010).

15 International Digital Publishing Forum. [En ligne] < http://www.idpf.org > (consulté le 19 février 2010).

16 Exemple : « passer de 300 dpi à 600 dpi ».

17 Voir le Mémento sur les formats de la BnF, op. cit., et les pages de la Bibliothèque du Congrès. [En ligne] < http://www.digitalpreservation.gov/formats > (consulté le 19 février 2010).

18 International Color Consortium. [En ligne] < http://www.color.org/index.xalter > (consulté le 22 janvier 2010). Organisme regroupant les fabricants d’appareils pour établir les profils normalisés.

19 Bibliothèque nationale de France. [En ligne] < http://bibnum.bnf.fr/ns/alto_prod.xsd. > (consulté le 19 février 2010) et la Charte de conversion OCR (op. cit.).

20 Norme NF-ISO 2859-1 : règles d’échantillonnage pour les contrôles par attributs.

21 ACRPP : [En ligne] < http://www.acrpp.fr/ >

22 Partie métallique servant de support à un appareil optique.

23 Exprimée en dpi ou ppp : point par pouce.

24 LED : Light-Emitting Diode – DEL (diode électroluminescente) : petit composant électronique capable d’émettre de la lumière lorsqu’il est soumis à un courant électrique.

Table des illustrations

Légende Grille de pixels en niveaux de gris
URL http://books.openedition.org/pressesenssib/docannexe/image/423/img-1.jpg
Fichier image/jpeg, 24k
Légende Conversion du signal analogique en signal numérique4
URL http://books.openedition.org/pressesenssib/docannexe/image/423/img-2.jpg
Fichier image/jpeg, 40k
Titre TABLEAU. PROFONDEUR D’ACQUISITION RECOMMANDÉE SELON LE SUPPORT
URL http://books.openedition.org/pressesenssib/docannexe/image/423/img-3.png
Fichier image/png, 33k
Titre TABLEAU. RÉSOLUTIONS PRÉCONISÉES SELON LE TYPE ET LE FORMAT DES ORIGINAUX
URL http://books.openedition.org/pressesenssib/docannexe/image/423/img-4.jpg
Fichier image/jpeg, 132k
Titre TABLEAU. RAPPORTS DE POIDS SELON LA PROFONDEUR D’ACQUISITION ET LA RÉSOLUTION
Légende Remarque : doubler la résolution revient à quadrupler le volume16.
URL http://books.openedition.org/pressesenssib/docannexe/image/423/img-5.jpg
Fichier image/jpeg, 44k
Titre TABLEAU. CARACTÉRISTIQUES DES PRINCIPAUX FORMATS DE FICHIER D’IMAGES FIXES p. 28
URL http://books.openedition.org/pressesenssib/docannexe/image/423/img-6.jpg
Fichier image/jpeg, 188k
Titre SCHEMA. OCR - SEGMENTATION D’UNE ZONE IMPRIMÉE ET CARACTÉRISATION DES BOÎTES
Légende Reproduit avec l’autorisation de la BnF. Charte de conversion OCR des collections de la BnF (février 2009). [En ligne] < http://www.bnf.fr/​fr/​professionnels/​num_conversion_texte/​s.num_conversion_texte_ocr.html > (consulté le 19 février 2010).
URL http://books.openedition.org/pressesenssib/docannexe/image/423/img-7.jpg
Fichier image/jpeg, 244k
Titre TABLEAU. MÉTHODES DE CONTRÔLE QUALITÉ POSSIBLES ET LEURS PRINCIPALES CARACTÉRISTIQUES
Légende Note 2020
URL http://books.openedition.org/pressesenssib/docannexe/image/423/img-8.jpg
Fichier image/jpeg, 180k
Titre TABLEAU. AVANTAGES ET LIMITES D’UN CONTRÔLE QUALITÉ SOUS-TRAITÉ
URL http://books.openedition.org/pressesenssib/docannexe/image/423/img-9.jpg
Fichier image/jpeg, 148k
Titre TABLEAU. VUE, NON EXHAUSTIVE, DES MARQUES ET DES NUMÉRISEURS DISPONIBLES EN FRANCE
URL http://books.openedition.org/pressesenssib/docannexe/image/423/img-10.jpg
Fichier image/jpeg, 260k
Titre TABLEAU. NUMERISATION INTERNE/EXTERNEpar Thierry Claerr et Isabelle Westeel
URL http://books.openedition.org/pressesenssib/docannexe/image/423/img-11.jpg
Fichier image/jpeg, 224k

© Presses de l’enssib, 2010

Conditions d’utilisation : http://www.openedition.org/6540