WOW !! MUCH LOVE ! SO WORLD PEACE !
Fond bitcoin pour l'amélioration du site: 1memzGeKS7CB3ECNkzSn2qHwxU6NZoJ8o
  Dogecoin (tips/pourboires): DCLoo9Dd4qECqpMLurdgGnaoqbftj16Nvp


Home | Publier un mémoire | Une page au hasard

 > 

Reconnaissance des caractères arabes imprimés par l'approche neuro-génétique.

( Télécharger le fichier original )
par Marwa AMARA
ECOLE NATIONALE DES SCIENCES DE L?INFORMATIQUE - Master  2012
  

Disponible en mode multipage

Bitcoin is a swarm of cyber hornets serving the goddess of wisdom, feeding on the fire of truth, exponentially growing ever smarter, faster, and stronger behind a wall of encrypted energy

            Marwa AMARA

            Dédicaces

            A ma très chère Maman Fouzia

            Pour tout l'amour dont tu m'as entouré, pour tout ce que tu as fait pour moi.
            Que ce modeste travail soit l'exaucement de tes voeux tant formulés et de tes prières

            quotidiennes.

            A mon très cher Papa Belgacem
            Pour ton amour, ton soutien et tes encouragements.
            J'espère que j'étais et que je resterais à la hauteur de vos espérances.
            Je te dédie ce travail en gage de ma gratitude éternelle et de mon profond respect.

            A mes chères frères Marwen et Oussama
            Vous étiez toujours à mes côtés, à m'encourager et à me soutenir.
            Je vous souhaite une bonne continuation dans vos études,
            et une vie pleine de joie et de bonheur.

            A tous ceux qui m'ont soutenu jusqu'au bout.

            Marwa AMARA

            Remerciements

            C

            'EST avec un grand plaisir que je réserve cette page en signe de gratitude et de profonde reconnaissance à tous ceux qui m'ont aidé à la réalisation de ce travail. Je tiens à remercier spécialement :

            Professeur Faouzi GHORBEL, mon Superviseur de mastère, directeur du laboratoire CRISTAL à l'Ecole Nationale des Sciences de l'Informatique, pour ses conseils fructueux et pour ses précieuses directives.

            Docteur Kamel ZIDI, mon Encadrant de mastère, pour son aide, sa disponibilité et sa compréhension. Ses conseils et ses encouragements m'ont été très utiles pour mener à bien ce travail.

            Je tiens aussi à remercier Mm Ibtissem BEN OTHMEN pour ses conseils, ses suggestions et pour sa contribution à l'enrichissement de ce travail.

            Je remercie également les membres du jury qui ont pris la peine d'évaluer cette modeste contribution :

            Je tiens à remercier Docteur Riadh ABDELFATTAH qui m'a fait l'honneur de présider le jury de ma soutenance.

            Je tiens à remercier Docteur Slim MHIRI, pour avoir accepter la charge de rapporter mon travail.

            Enfin, je tiens à remercier tous ceux qui ont contribué, de près ou de loin, à l'achèvement de cette mémoire.

            Résumé

            C

            E travail porte sur la reconnaissance des textes arabes imprimés multifontes. L'approche proposée concerne l'association de deux techniques la sélection des primitives et la reconnaissance des caractères. La méthode de reconnaissance est basée sur une technique hybride consistant à mettre en coopération les réseaux de neurone perceptron multicouche et les algorithmes génétiques. L'un des objectifs de ce travail est de proposer une hybridation pour la sélection des primitives pertinentes. Le choix d'une telle hybridation est motivé par son succès en reconnaissance des chiffres. En effet, l'intérêt de ce modèle Neuro-Génétique réside dans le fait qu'il est capable d'améliorer la capacité de discrimination du perceptron multicouche pur.

            Mots clés : Reconnaissance des caractères arabes , Sélection des primitives, Perceptron multicouche, Algorithme génétique.

            Abstract

            I

            N this work we aim at developping a multifonts printed arabic texts recognition system. the proposed approache is about the combination of two techniques Feature selection and character recognition. The adopted recognition method is based on a hybrid technique which consists of putting together; the neural networks multilayer perceptron and the genetic algorithms. One objective of this work is to propose a hybrid approach for the feature selection. The choice of this technique is motivated by its success in the recognition of digits. Indeed, the interest of this Neuro-Genetic model is the fact that it is able to improve the discriminatory capacity of pure perceptron multilayer.

            Key words : Arabic character recognition , Feature selection, Perceptron multilayer, Genetic algorithm.

            Table des matières

            Introduction générale

            1 La Reconnaissance Optique des Caractères

            1.1 Différents aspects de l'OCR

            1

            3

            3

             

            1.1.1

            Type d'acquisition

            4

             
             

            1.1.1.1 Les systèmes en-lignes

            5

             
             

            1.1.1.2 Les systèmes hors-lignes

            5

             

            1.1.2

            Approche de reconnaissance

            6

             
             

            1.1.2.1 Approche globale

            6

             
             

            1.1.2.2 Approche analytique

            6

            1.2

            Caractéristiques de l'écriture arabe

            7

            1.3

            Organisation d'un système de reconnaissance

            10

             

            1.3.1

            Prétraitement

            11

             
             

            1.3.1.1 Binarisation

            11

             
             

            1.3.1.2 Lissage

            12

             
             

            1.3.1.3 Normalisation

            12

             
             

            1.3.1.4 Squelittisation

            12

             

            1.3.2

            Segmentation

            12

             
             

            1.3.2.1 Segmentation en lignes

            13

             
             

            1.3.2.2 Segmentation en mots

            13

             
             

            1.3.2.3 Segmentation en caractère

            14

             

            1.3.3

            Extraction des primitives

            14

             
             

            1.3.3.1 Primitives locales

            14

             
             

            1.3.3.2 Primitives globales

            15

             

            1.3.4

            Apprentissage

            15

             
             

            1.3.4.1 Apprentissage Supervisé

            15

             
             

            TABLE DES MATIÈRES

             
             

            1.3.4.2 Apprentissage Non Supervisé

            1.3.5 Reconnaissance

            1.3.5.1 Approche structurelle

            1.3.5.2 Approche stochastique

            1.3.5.3 Approche statistique

            1.3.5.4 Les approches hybrides

            1.3.6 Post-traitement

            16

            16

            16

            17

            18

            18

            19

            2

            Fondements Théoriques

            20

             

            2.1

            Le réseau perceptron multicouche

            20

             
             

            2.1.1 Le perceptron simple

            21

             
             

            2.1.2 Architecture d'un perceptron multicouche

            23

             
             

            2.1.3 Apprentissage d'un perceptron multicouches

            25

             

            2.2

            Les algorithmes génétiques

            27

             
             

            2.2.1 Génération de la population initiale

            28

             
             

            2.2.2 Codage

            29

             
             

            2.2.3 Fonction d'évaluation

            29

             
             

            2.2.4 Sélection

            30

             
             

            2.2.5 Croisement

            31

             
             

            2.2.6 Mutation

            32

             
             

            2.2.7 Insertion

            33

             
             

            2.2.8 Critère d'arrêt

            34

             

            2.3

            L'hybridation neuro-génétique

            34

             
             

            2.3.1 Système de OLIVEIRA

            35

             
             

            2.3.2 Système de KROUCHI et DJEBBAR

            36

            3

            Contributions à la reconnaissance Des caractères arabes imprimés

            38

             

            3.1

            Position du problème

            38

             

            3.2

            Justification de l'approche choisie

            39

             
             

            3.2.1 Les procédures de recherche

            40

             
             

            3.2.2 Les fonctions d'évaluation

            41

             

            3.3

            Système proposé

            42

             
             

            3.3.1 Description générale

            42

             
             

            3.3.2 Description détaillée

            43

             
             

            3.3.2.1 Prétraitement

            44

             
             

            3.3.2.2 Segmentation

            46

             
             

            3.3.2.3 Extraction des primitives

            49

             
             
             

            ii

            TABLE DES MATIÈRES

            3.3.2.4 Sélection des primitives 51

            3.3.2.5 Reconnaissance 53

            3.3.2.6 Post traitement 54

            4 Expérimentation et évaluation 56

            4.1 Méthodes d'évaluation d'un OCR 56

            4.1.1 Evaluation globale 57

            4.1.2 Evaluation locale 57

            4.2 Expérimentation 57

            4.2.1 Prétraitement 58

            4.2.2 Segmentation 59

            4.2.3 Extraction des primitives 61

            4.2.4 Sélection des primitives 63

            4.2.5 Apprentissage 68

            4.2.6 Reconnaissance 70

            4.3 Evaluation de notre système 72

            Conclusion et perspectives 73

            Bibliographie 76

            A Segments classés par leurs positions 81

            B Description de la base 86

            iii

            Table des figures

            1.1 Différents Systèmes et Approches de Reconnaissance 4

            1.2 les quartres positions possibles du caractère " Hha" 8

            1.3 Chevauchement et Ligature 9

            1.4 Les sept caractères qui ne se relient pas à leurs successeurs 9

            1.5 Influence de la voyellisation sur le sens du mot 9

            1.6 Caractères classés par corps commun 10

            1.7 Schéma général d'un Système de Reconnaissance de Caractères 10

            1.8 Résultat de certaines opérations de prétraitement 11

            1.9 Segmentation Horizontale [HB02] 13

            1.10 Segmentation verticale [HB02] 13

            1.11 Segmentation en graphèmes [CBB01] 14

            1.12 Approches de Classification 16

            2.1 Modèle d'un réseau de neurone de type perceptron simple 22

            2.2 Deux situations pour lesquelles un perceptron simple ne peut pas discriminer

            les classes [Héb99] 23

            2.3 Structure d'un perceptron multicouche 24

            2.4 Frontière de décision obtenue à l'aide d'un perceptron multicouche [Gos96] 24

            2.5 Fonctionnement général de l'algorithme génétique 28

            2.6 Croisement en 1-point de deux chromosomes 32

            2.7 Croisement en 2-points de deux chromosomes 32

            2.8 Exemple de mutation 33

            3.1 Approche de selection de primitives [YH97] 41

            3.2 Structure de la phase d'apprentissage 43

            3.3 Aperçu détaillé sur le système de reconnaissance 44

            v

            TABLE DES FIGURES

            3.4 Modèles utilisés pour numériser une image dans l'algorithme Stentiford . . . 45

            3.5 Processus de segmentation 46
            3.6 Processus de construction des composantes connexes à partir de balayage de

            lignes d'image »Ta» 47
            3.7 Extraction de vecteurs de primitives avec des fenêtres glissante: (a) horizontale

            et (b) verticale 49

            3.8 Exemple de codage d'un vecteur de primitives 51

            3.9 Un automate utilisé pour corriger les signes diacritiques de caractère "Waw" 53

            3.10 Détection des espaces dans une ligne 54

            4.1 Image de test 58

            4.2 Extraction de squelette 58

            4.3 Segmentation en ligne 59

            4.4 Séparation des mots et détection des signes diacritiques 59

            4.5 Sous-segmentation du caractère"Lam Alef" 60

            4.6 Sur-segmentation des caractères " Sad"et " Sin " 60

            4.7 Sur-segmentation des caractères isolés 61

            4.8 La détection des boucles par l'algorithme Flood-fill 61

            4.9 Mesure de la distance acendante et descendante 62

            4.10 Larguer du caractère 62

            4.11 Courbe représentant l'évaluation du Fitness dans le cas de probabilité de mu-

            tation Pmut= 0.04 et une variation de probabilité de croisement Pcross . . . . 64
            4.12 Courbe représentant l'évaluation du Fitness dans le cas de probabilité de croi-

            sement Pcross = 0.65 et une variation de probabilité de mutation Pmut . . . . 65
            4.13 Comparaison de la convergence du Fitness pour deux populations de tailles

            différentes 66

            4.14 Distribution des individus dans l'espace de recherche 67

            4.15 Les positions possibles des caractères dans un mot 68

            4.16 Apprentissage du réseau perceptron multicouche 70

            4.17 Reconaissance du segments du caractère 70

            4.18 Image du mot et le mots reconnu 71

            4.19 Image de la ligne et la ligne reconnue 72

            4.20 Image du texte et texte reconnu 72

            4.21 Variation du taux de reconnaissance par caractères 72

            B.1 Aperçu sur la base 86

            Liste des tableaux

            3.1

            Existence de boucle dépendant de la position du caractère

            50

            4.1

            Choix de paramètres de l'algorithme génétique

            63

            4.2

            Paramètres finales de l'algorithme génétique

            67

            4.3

            Paramères des réseaux

            69

            4.4

            Caractéristiques des signes diacritiques

            71

            4.5

            Comparaison des résultats

            73

            A.1

            Segments Initials

            82

            A.2

            Segments Milieux

            83

            A.3

            Segments finals

            84

            A.4

            Segments isolés

            85

            B.1

            Caractères utilisés pour l'apprentissage du réseau de neurone

            86

            Introduction générale

            L

            A communication Homme-machine tend à limiter l'intervention de l'être humain. Ceci

            est possible par la conception et la réalisation de machines capables d'écouter et de
            reconnaitre la parole, de lire les documents et de manipuler correctement les caractères qui les composent. La reconnaissance optique des caractères, connue sous la dénomination anglaise OCR-Optical Character Recognition fait partie du domaine de reconnaissance des formes. Ce domaine a fait l'objet de multiples recherches. Son but est de traduire un document imprimé ou manuscrit en fichier informatique apte à être manipulé par le logiciel de traitement de texte.

            La lecture des documents imprimés, dactylographiés et même manuscrits, présente un grand intérêt pour plusieurs domaines. Si l'ordinateur savait lire couramment, il pourrait trier le courrier, traiter automatiquement les chèques ou les factures et accéder à toutes les formes d'information écrites dont l'existence commence par un papier. Malgré les progrès réalisés sur le plan matériel (tablette à digitaliser, crayon otique, etc.) et logiciel (interface graphique, système conversationnel, etc.), le processus de communication Homme-Machine reste lent et pénible. Par conséquent, il constitue un obstacle pour tous les traitements envisagés. Contrairement au latin, l'écriture arabe présente des caractéristiques morphologiques complexes qui sont l'origine de la défaillance des traitements. Les caractères arabes s'écrivent de manière cursive. Ils sont ligaturés horizontalement et parfois verticalement, ce qui complique la tâche de segmentation.

            La reconnaissance d'un caractère commence d'abord par l'analyse de sa forme et l'extraction des traits caractéristiques dits encore primitives qui seront exploitées pour son identification. A ce niveau, les primitives peuvent être décrites comme un outil permettant de distinguer un objet d'une classe d'un autre objet d'une autre classe. Il est nécessaire de définir des primitives significatives lors du développement d'un système de reconnaissance. Les primitives sont définies par expérience ou par intuition. Plusieurs primitives peuvent être extraites dont certaines sont non pertinentes ou redondantes. La représentation des primi-

            2

            INTRODUCTION GENERALE

            tives utilisée est vectorielle. La taille de ce vecteur peut être large si un grand nombre de primitives est extrait. La performance du système de reconnaissance devient mauvaise, alors, et le temps de calcul augmente en mesure que le nombre de primitives augmente.

            L'approche proposée présente une méthode d'optimisation pour la sélection des primitives d'un système de reconnaissance des caractères arabes imprimés multifontes. La méthode de reconnaissance est fondée sur une technique hybride qui consiste à mettre en coopération les réseaux perceptron multicouche et les algorithmes génétiques. En effet, ce travail propose une technique hybride pour la reconnaissance des textes arabes. Le choix de cette technique est motivé par son succès en reconnaissance des chiffres. L'intérêt de ce modèle neuro-génétique vient de fait qu'ils semblent capables d'améliorer les performances du système de reconnaissance en optimisant le nombre de primitives sélectionné.

            Notre présent document est partitionné de la manière suivante :

            Dans le premier chapitre, nous commencerons par présenter une étude bibliographique sur le domaine de reconnaissance d'écriture. Ensuite, nous présenterons les caractéristiques morphologiques de l'écriture arabe. Enfin, nous exposons les aspects généraux de la reconnaissance optique de l'écrit ainsi que les problèmes qui lui sont liés tout en soulevant les problèmes rencontrés dans le domaine d'OCR arabe.

            Dans le second chapitre, nous exposerons les notions de base relatives au perceptron multicouche et l'algorithme génétique nécessaire à la compréhension de notre travail. Dans la dernière section, nous préciserons la motivation de l'usage des modèles hybrides.

            Le troisième chapitre présentera, d'abord, le problème ainsi que la solution que nous aurons adopté. Ensuite, nous présenterons un aperçu général sur notre système de reconnaissance d'écriture arabe imprimée proposée. Enfin, nous détaillerons chaque processus de ce système.

            Le dernier chapitre sera consacré aux tests et aux résultats enregistrés. Il décrira l'application du modèle hybride dans le cadre de reconnaissance d'écriture arabe imprimé. De même, nous donnerons les résultats des performances de notre système ainsi que les expérimentations réalisées pour le valider.

            Enfin, une conclusion générale fera une synthèse du présent travail, exposera ses limites et proposera de nouvelles perspectives de recherche.

            Chapitre1

            La Reconnaissance Optique des Caractères

            L

            A reconnaissance de l'écriture relève du domaine de reconnaissance des formes qui s'inté-

            ressent aux formes des caractères. Depuis les années 40, la reconnaissance des caractères
            a fait l'objet de recherches très poussées. Les chercheurs ont réalisé des travaux intenses qui ont donné lieu à la publication de plusieurs articles portants sur la reconnaissance des caractères.

            Dans ce chapitre, nous rappelons certaines notions d'OCR 1en se référant aux différents travaux réalisés sur ce sujet. Ensuite, nous présentons les caractéristiques morphologiques de l'écriture arabe. Enfin, nous exposons les aspects généraux de la reconnaissance optique de l'écrit ainsi que les problèmes qui lui sont liés tout en soulevant les problèmes rencontrés dans le domaine d'OCR arabe.

            1.1 Différents aspects de l'OCR

            La reconnaissance optique des caractères est un processus qui permet de convertir un texte écrit sur papier en format numérique. Des aperçus historiques à propos des méthodes de reconnaissance peuvent être trouvés à [AY01, Man86, SFK96, Gov90, AM11]. La reconnaissance de l'écriture arabe remonte aux années 80. Néanmoins, la majorité des travaux ayant déjà été publiés ont été axés sur les caractères latins puis appliqués tels quels pour la reconnaissance de l'écriture arabe. Pour un tour d'horizon dans le domaine de reconnaissance d'écriture arabe, nous citons les articles [Bel95, AS95]. Quant à l'état de l'art dans le domaine de reconnaissance hors ligne les aperçus dans [LV06, Ami97] sont à consulter.

            1. Optical Character Recognition

            4

            CHAPITRE 1. LA RECONNAISSANCE OPTIQUE DES CARACTÈRES

            Tandis qu'on trouve dans [KA08] une présentation de la reconnaissance en lignes. En outre, d'autres travaux décrivent les méthodes manuscrites [Men08] et imprimées [Ben99, Feh99] sont à consulter.

            Il n'existe pas un système universel d'OCR qui peut traiter tous les cas d'écritures mais plutôt des différentes approches dépendantes du type de données traitées et de l'application visée. La figure ci-dessous présente la structure générale d'un système OCR .

            FIGURE 1.1 - Différents Systèmes et Approches de Reconnaissance

            1.1.1 Type d'acquisition

            La première étape dans un système de reconnaissance consiste à l'acquisition de l'image (texte) et sa numérisation. La reconnaissance hors-ligne et en-ligne sont deux systèmes différents d'OCR, ayant chacun ses outils propres et ses algorithmes correspondants de reconnaissance.

            5

            CHAPITRE 1. LA RECONNAISSANCE OPTIQUE DES CARACTÈRES

            1.1.1.1 Les systèmes en-lignes

            Les systèmes en-lignes reconnaissent le texte en temps réel. Les symboles sont reconnus en même temps qu'ils sont écrits à la main. L'écriture est présentée par un vecteur (x, y) dont les coordonnées sont en fonction du temps. L'acquisition de l'écriture est assurée par une tablette graphique équipée d'un stylo électronique. Ce système est généralement conçu pour la reconnaissance du manuscrit [Poi05]. Il opère en temps réel pendant l'écriture.

            1.1.1.2 Les systèmes hors-lignes

            Les systèmes Hors-lignes démarrent suite à l'acquisition. Ils servent à la reconnaissance des textes écrits sur papier après leurs numérisation sous forme d'image. Les sytèmes Hors-lignes jouent un rôle très important dans le développement de la société d'information, puisque la plupart des textes qui nous intéressent existent sur papier.

            Dans la littérature, il existe des systèmes hors ligne qui reconnaissent le manuscrit et d'autres qui reconnaissent l'imprimé. Dans le cas du manuscrit, la plus part des caractères sont ligaturés d'ou la nécessite de l'emploi de techniques de délimitation spécifiques pour guider la lecture. Les variations inter et intra-scripteurs sont accentuées par la nature calligraphique de l'écriture arabe [Ben99]. Nous distinguons trois types de systèmes de reconnaissance d'écriture qui dépend de ces variations :

            - Monoscripteur : Le système de reconnaissance peut reconnaître l'écriture d'un seul scripteur après apprentissage de son écriture;

            - Multiscripteur : Le système de reconnaissance est capable de reconnaître les écritures d'un groupe restreint de scripteurs soit par aprentissage de leurs écritures, soit sans apprentissage;

            - Omniscripteur : Le système est capable de reconnaître toutes les écritures. Dans ce type de système, la variabilité intra-scripteur s'ajoute à la variabilité inter-scripteur.

            Dans le cas de l'imprimé, les caractères sont souvent séparés verticalement, ce qui simplifie la lecture. Certaines fontes présentent des accolements qu'il faut défaire. Dans le cas de l'imprimé la reconnaissance peut être :

            - Monofonte : Le système ne traite qu'une fonte à la fois. L'apprentissage est simple puisque l'alphabet représenté est réduit;

            - Multifonte : Le système est peut reconnaître un mélange de fontes parmi un ensemble préalablement apprises. Le prétraitement doit, alors, réduire les écarts entre

            6

            CHAPITRE 1. LA RECONNAISSANCE OPTIQUE DES CARACTÈRES

            les caractères (taille, épaisseur et inclinaison). De même, l'apprentissage doit gérer les ressemblances de caractères des différentes fontes;

            - Omnifonte : Le système est capable de reconnaître toutes fontes sans l'avoir apprise.

            1.1.2 Approche de reconnaissance

            La nature des textes à reconnaitre permet de différencier deux principales approches de reconnaissance : l'approche globale et l'approche analytique.

            1.1.2.1 Approche globale

            Elle est dite encore holistique. Ce type d'approche considère le mot comme une entité à reconnaitre. La reconnaissance générale des mots se base sur une description unique de toute l'image du mot. Cette approche présente l'avantage que la reconnaissance se fait sans prise de décision préalable. Elle est très rapide pour un vocabulaire réduit. L'étape de post-traitement n'est plus nécessaire dans ce cas vu la nature de l'approche. Cependant, cette approche est pénalisée par la taille de mémoire, le temps de calcul et la complexité du traitement qui croient linéairement avec la taille du vocabulaire. Elle présente, aussi, la difficulté de discrimination entre les mots qui ont une orthographe proche. L'apprentissage nécessite un très grand nombre d'échantillon de mots. De plus, un changement de vocabulaire nécessite l'apprentissage de tous les nouveaux mots. BEN AMARA et BEL AID utilisent une approche globale basée sur les MMCs2 pour la reconnaissance des mots arabes imprimés [Ben99].

            1.1.2.2 Approche analytique

            Dans cette approche les mots sont segmentés en caractères ou fragments inférieurs aux caractères appelés graphèmes. La reconnaissance débute par reconnaitre ces entités, puis, tend vers une reconnaissance des mots. Un processus de reconnaissance, selon cette approche, est basé sur une alternance de phase de segmentation et la phase d'identification des segments [Ken73]. Deux procédures de segmentation sont possibles:

            - La segmentation explicite ou externe Le mot est segmenté en caractères ou en graphèmes. Les caractères sont trouvés par concaténation des graphèmes, de même les mots sont trouvés par concaténation des caractères. Une autre solution est utilisée. C'est la segmentation en caractère. La plupart des techniques utilisées pour cette segmentation en caractères dérivent des techniques utilisées pour la segmentation en graphèmes. Elles sont adoptées de manière de ne pas couper les caractères soit par des règles heuristiques soit par une estimation de la hauteur de l'écriture et il suppose une certaine relation entre la hauteur et la largeur moyenne des caractères [Feh99].

            2. Modèle de Markov Caché

            7

            CHAPITRE 1. LA RECONNAISSANCE OPTIQUE DES CARACTÈRES

            - La segmentation implicite ou interne: La segmentation et la reconnaissance sont effectuées simultanément. La reconnaissance des caractères se fait sur des hypothèses de segmentation le long de l'axe horizontal du mot. Il existe plusieurs techniques de segmentation interne telles que la fenêtre glissante-SWS3 qui consiste à faire balayer une fenêtre de largeur fixe le long de l'image indiquant pour chaque position le caractère le plus probable.

            Les méthodes analytiques, par opposition aux méthodes globales, sont envisageables dans le cas de reconnaissances de grand vocabulaire. Elles s'adaptent facilement au changement de vocabulaire. Elles ne sont pas couteuse en mémoire et en temps de calculs car la complexité en mémoire ne dépend pas de la taille de vocabulaire. Cependant, la reconnaissance du mot se base sur la reconnaissance de caractères. Si un caractère est mal reconnu, le mot l'est aussi. Il existe des travaux qui combinent les deux approches globales et analytiques tels que [AAM06].

            Les caractères arabes se différencient des autres écritures par leurs modes de liaison pour la formation des mots. Cette particularité rend les travaux développés pour les caractères latins et chinois difficilement applicables pour l'arabe. L'écriture arabe a plusieurs autres spécificités que nous citons ci-après

            1.2 Caractéristiques de l'écriture arabe

            L'arabe est parlé par environ 250 millions de personnes. IL est écrit par plus de 100 millions de gens, dans plus de 20 pays différents . L'alphabet arabe est utilisé dans plusieurs langages tels que le Persan (Farsi) et l'Urdu (langage national du Pakistan). Il existe deux variantes de la langue arabe. L'arabe littéraire, qui es très proche de la langue du Coran. Il est utilisé essentiellement à l'écrit. Il est commun à tous les pays arabes. Et l'arabe dialectal qui varie d'un pays à l'autre. Dans ce qui suit, nous exposons une synthèse des particularités morphologiques de l'arabe :

            - L'arabe est une écriture consonantique qui utilise un alphabet de 28 lettres auxquels il faut ajouter le hamza qui est le plus souvent utilisé comme un signe complémentaire.

            Le hamza peut s'écrire seul ou sur le support de voyelles ( ). L'alphabet arabe

            3. Sliding Window Segmentation

            CHAPITRE 1. LA RECONNAISSANCE OPTIQUE DES CARACTÈRES

            comporte d'autres caractères additionnels tels que et . SCHWARTZ, MAKHOUL et RAPHAEL [SLM+96] considèrent dans leur papier l'alphabet arabe comprenant 31 lettres au lieu de 29. En plus, le symbole Madda qui s'écrit uniquement sur le support du caractère Alef, fait apparaitre d'autres graphismes.

            - L'arabe s'écrit de la droite vers la gauche. L'écriture est semi-cursive soit sous forme imprimée soit manuscrite. Chaque caractère a un point de connexion droite et/ou gauche avec la ligne de base. La ligne de base est détectable en examinant le profil horizontal de l'image du mot ou sous-mot. L'alphabet arabe est plus riche que son équivalent latin, la plupart des lettres changent de formes selon leur apparition au début, au milieu ou à la fin du mot.

            8

            FIGURE 1.2 - les quartres positions possibles du caractère " Hha"

            - Un mot arabe peut être composé d'une ou plusieurs composantes connexes. Les caractères d'une même composante connexe peuvent être ligaturés horizontalement ou verticalement pour des raisons d'héstitique. Dans certaines fontes, nous pouvons aller jusqu'à quatre caractères ligaturés verticalement. Ceci rend la segmentation en caractères presque impossible. Pour des raisons de justification de texte ou d'esthétique, les ligatures horizontales peuvent être allongées en insérant entre les caractères une ou plusieurs élongations qui correspond aux symboles Matta . De même, les chevauchements verticaux peuvent se produire par l'intersection des composantes connexes pour quelques combinaisons de caractères. Les chevauchements et les ligatures dépendent de la fonte utilisée.

            9

            CHAPITRE 1. LA RECONNAISSANCE OPTIQUE DES CARACTÈRES

            FIGURE 1.3 - Chevauchement et Ligature

            - Dans un mot arabe, la plupart des caractères sont connectés les uns aux autres, excepté sept caractères qui ne peuvent pas être connectés à ceux qui les suivent. Alors, un mot arabe pourrait compter jusqu'à sept composantes connexes, chacune d'elles est appelée sous-mots.

            FIGURE 1.4 - Les sept caractères qui ne se relient pas à leurs successeurs

            - Les voyelles sont utilisées pour assurer la lecture d'un texte à haute voix sans erreurs de prononciation. Certains livres tels que le coran, la poésie et les livres d'apprentissage de la langue arabe utilisent les voyelles de manière systématique. L'existence de voyelle change le sens des mots. Les mêmes mots avec des voyelles peuvent être compris comme

            verbe, nom ou adjectif. Par exemple, peut signifie "drapeau", "savoir" ou encore
            "enseigner" selon sa voyellisation.

            FIGURE 1.5 - Influence de la voyellisation sur le sens du mot

            10

            CHAPITRE 1. LA RECONNAISSANCE OPTIQUE DES CARACTÈRES

            - Certains groupes de lettres ne se différentient que par le nombre et/ou la position de leurs signes diacritiques.

            FIGURE 1.6 - Caractères classés par corps commun

            Les spécificités de l'écriture arabe compliquent la tâche de l'OCR. Nous tendrons, dans la partie suivante, de mettre en oeuvre les différents problèmes liés à la reconnaissance d'écritures arabes et les localiser dans leurs phases de traitement.

            1.3 Organisation d'un système de reconnaissance

            Généralement, un OCR fait appel aux étapes présentées dans la figure-1.7:

            FIGURE 1.7 - Schéma général d'un Système de Reconnaissance de Caractères

            11

            CHAPITRE 1. LA RECONNAISSANCE OPTIQUE DES CARACTÈRES

            1.3.1 Prétraitement

            L'objectif des prétraitements est de simplifier la caractérisation de la forme (caractère, chiffre, mot) à reconnaître soit en nettoyant l'image ou en diminuant la quantité d'information à traiter. Le prétraitement est une technique qui permet de préparer les données reçues à la phase de segmentation. A ce stade, le problème de l'écriture arabe est lié aux boucles. Ces boucles risquent d'être bouché ou ouverte. Aussi bien, les points diacritiques peuvent être éliminés suite à ces opérations grace à leur confusion avec le bruit. Pour cette raison là, la plupart des travaux éliminent les points diacritiques au début du traitement. Pour identifier le caractère aprés identificartion de son corps, les chercheurs utilisent un algorithme d'assemblage corps/points diacritiques. La phase de prétraitement regroupe plusieurs techniques de nettoyage. Parmi les opérations, généralement, utilisées nous citons : la binarisation, la normalisation et la squelettisation.

            FIGURE 1.8 - Résultat de certaines opérations de prétraitement

            1.3.1.1 Binarisation

            La binarisation est la première étape importante d'un système de reconnaissance. Elle consiste à séparer le texte du fond qui n'est pas utile lors de la reconnaissance. Cette étape permet de réduire l'espace mémoire et le temps de calcul. La binarisation permet de passer d'une image aux niveaux de gris à une image binaire composée des valeurs 0 et 1. En général, nous utilisons un seuil de binarisation qui traduit la limite des contrastes forts et faibles dans l'image.

            12

            CHAPITRE 1. LA RECONNAISSANCE OPTIQUE DES CARACTÈRES

            1.3.1.2 Lissage

            L'image des caractères peut être munie de bruits dus de l'acquisition et à la qualité du document. Ce bruit conduit soit à une absence soit à une surcharge de points. Les techniques de lissage permettent de résoudre ces problèmes par des opérations locales [Bur04] :

            - L'opération de nettoyage : Permettant de supprimer les petites tâches de la forme; - L'opération de bouchage : Permet d'égaliser les contours et de boucher les trous internes à la forme du caractère en lui ajoutant des points noirs.

            1.3.1.3 Normalisation

            Après la normalisation, les caractères sont définis dans une matrice de même taille. L'opération se limite à une normalisation des hauteurs, dans le cas des mots cursifs. Cette opération facilite les traitements ultérieurs tels que la segmentation et l'extraction des caractéristiques. C'est une transformation non linéaire de l'image. La normalisation traduit souvent une opération d'homothétie.

            1.3.1.4 Squelittisation

            La squelettisation est une opération qui permet de passer d'une image à sa représentation en "fil de fer" [Men08]. C'est une manière de représenter l'information indépendamment de l'épaisseur initiale de l'écriture. Elle permet d'extraire des caractéristiques importantes, telles que les intersections, le nombre de tracés et leurs positions relatives. La squelette doit : être aussi fin que possible (typiquement 1 pixel d'épaisseur), respecter la connexité et centrer dans la forme qu'elle représente [Men08].

            1.3.2 Segmentation

            Après l'étape de prétraitements, la majorité des systèmes de reconnaissances se trouvent confrontés au problème de la segmentation des entités à reconnaitre. Dans le cas d'un document imprimé, la segmentation s'effectue à différents niveaux. Elle peut s'attacher à la localisation des blocs de lignes (les colonnes), des groupes de lignes (les paragraphes), des lignes, des mots, des caractères et enfin des parties de caractères. Chaque entité possède ses propres caractéristiques. Généralement, la performance d'un système de reconnaissance dépend essentiellement du taux de réussite de la segmentation du mot en caractères. Ceci est vrai pour la reconnaissance du texte cursif et en particulier dans le cas de l'écriture arabe. Nous traiterons la phase de segmentation dans la partie suivante.

            13

            CHAPITRE 1. LA RECONNAISSANCE OPTIQUE DES CARACTÈRES

            1.3.2.1 Segmentation en lignes

            Cette étape consiste à détecter les lignes de texte (Figure-1.9). La méthode la plus courante consiste à chercher des intervalles, nuls ou minimaux dans l'histogramme de la projection horizontale de l'image du texte. Cependant, la présence des points diacritiques complique cette tâche car ces intervalles peuvent correspondre à l'espace compris entre les mots et leurs points diacritiques [ERK90]. Ces points peuvent exister au dessus ou au dessous de mots. Une fusion des lignes est aussi possible à cause des hampes et de jambes, dans le cas d'un petit interligne. Pour remédier à ces problèmes, la méthode de séparation des lignes de texte, consiste à localiser la ligne de base (La ligne qui contient le maximum de pixel noir) puis à fusionner toutes les lignes qui se trouvent à proximité de la ligne de base.

            FIGURE 1.9 - Segmentation Horizontale [HB02]

            1.3.2.2 Segmentation en mots

            La méthode la plus utilisée pour la séparation en PAW4 consiste à chercher les intervalles nuls dans l'histogramme de projection verticale de l'image de texte (voir figure-1.10). Cette méthode est adoptée par plusieurs chercheurs [HB02, ERK90]. Elle ne permet pas de séparer des sous-mots ou les caractères se chevauchent. Dans ce cas, la détection du PAW se fait à l'aide d'un parcours de contours de ces derniers et la détection du contour fermé [TS90]. D'autres chercheurs, détectent les PAWs soit par parcours de leurs squelettes [WZG09], soit par étiquetage de leurs composantes connexes.

            FIGURE 1.10 - Segmentation verticale [HB02]

            4. Peace Of Arabic Word

            14

            CHAPITRE 1. LA RECONNAISSANCE OPTIQUE DES CARACTÈRES

            1.3.2.3 Segmentation en caractère

            La segmentation en caractère constitue le grand problème lié à l'AOCR5 à cause de : la diversité des formes des caractères arabes, la liaison qui existe entre caractère successif, l'allongement des ligatures horizontales et la présence des ligatures verticales. Des études des problèmes de segmentation de l'arabe se trouvent dans [Zek05, MAS97]. Plusieurs méthodologies de segmentation ont été développées en utilisant plusieurs techniques. Certains travaux segmentent les mots en graphèmes [CBB01]. D'autres, prosent des algorithmes de segmentation en caractères tels que [HD02]. Une étude détaillée des méthodes de segmentation en caractères peut être trouvée dans [Ben99].

            FIGURE 1.11 - Segmentation en graphèmes [CBB01]

            1.3.3 Extraction des primitives

            L'extraction de primitives consiste à transformer une image (caractère, graphème,...) en un vecteur de primitives de taille fixe. Cette transformation consiste à changer l'espace de représentation des données du plan de l'image vers un espace à N dimensions. Le choix des primitives est critique car elles doivent être discriminantes. Nous pouvons classer les primitives en deux catégories :

            1.3.3.1 Primitives locales

            Ces primitives sont des objets extraite de la forme tels que les boucles, les croisements de traits, ect . L'inconvénient de ces derniers est que leurs extraction nécessite une squelettisation du caractère, puisque l'épaisseur du trait ne contient pas d'information [Ben02]. Néanmoins, les primitives locales sont robustes vis à vis de la rotation, la translation, et l'homothétie [GPP 89].

            5. Arabic Optical Character Recognition

            15

            CHAPITRE 1. LA RECONNAISSANCE OPTIQUE DES CARACTÈRES

            1.3.3.2 Primitives globales

            Les primitives globales sont dérivées de la distribution des pixels [Ben02]. [HML+ 98] suggèrent trois familles de primitives : les moments invariants, les projections, et les profils. Ces caractéristiques sont extraites en tenant compte de la distribution des pixels noirs de la forme. L'identification de la méthode d'extraction de caractéristiques la plus performante n'est pas évidente. [OAT96] rapportent que les moments de Zernike s'appliquent bien sur des images aux niveaux de gris et que la projection s'applique souvent sur les caractères segmentés.

            Cependant, Il est possible de combiner plusieurs méthodes d'extraction afin de donner une meilleure description de la forme à classer. Les différents types de primitives locales (les boucles, les courbes, ..) et globales (les moments invariants, les projections,....) ont été utilisés pour la description de l'écriture arabe. En outre, il est remarquable que les moments et les descripteurs de fourier sont utilisés dans un nombre important des travaux tels que [ERK90, KD07, Feh99]. Ces primitives sont connues par leur invariance à la rotation, l'homothétie et les petites variations de la forme.

            Après l'extraction des primitives caractérisant la forme, le système de reconnaissance passe à l'apprentissage. Cette phase est décrite dans la section suivante.

            1.3.4 Apprentissage

            La reconnaissance nécessite de définir la connaissance que nous avons sur les formes à traiter. Cette définition repose sur l'apprentissage. L'apprentissage permet d'acquérir la connaissance et de l'organiser en modèle de référence. Il est impossible d'apprendre un grand nombre d'échantillon et des formes d'écritures différents à cause de leur variabilité. Nous tondons à remplacer ce nombre par une meilleure qualité des traits caractéristiques. Les procédures d'apprentissage sont différentes selon qu'il s'agit de reconnaitre l'imprimé ou le manuscrit, monofonte, multifonte,....

            D'une manière générale, nous distinguerons deux type d'apprentissage : supervisé et non supervisé.

            1.3.4.1 Apprentissage Supervisé

            Ce type d'apprentissage est guidé par un superviseur dit professeur. Il est réalisé lors d'une étape qui précède la reconnaissance en induisant un grand nombre d'échantillon de référence. Le professeur indique, alors, le nom de chaque échantillon. Le choix de caractère de référence

            16

            CHAPITRE 1. LA RECONNAISSANCE OPTIQUE DES CARACTÈRES

            se fait manuellement en fonction de l'application. Nous devons choisir l'échantillon le plus représentatif de la typographie des caractères de l'application. Le nombre d'échantillons varie de quelques dizaines à quelques centaines ou plus.

            1.3.4.2 Apprentissage Non Supervisé

            Ce type d'apprentissage est appelé automatique. Il consiste à doter le système d'un mécanisme qui s'appuie sur des règles précises pour trouver automatiquement les classes de référence. L'intervention extérieur doit être minimale vue inexistante. Dans ce cas, les échantillons dapprentissage sont illustrés en grand nombre par l'utilisateur sans précision de leurs classes. Ce type d'apprentissage n'aboutit pas toujours à une classification correspondant à la réalité.

            1.3.5 Reconnaissance

            Les approches de classification sont classées en trois grandes familles, statistiques, structurelles et stochastiques (figure-1.12). Il est possible de combiner ces approches afin d'obtenir à une approche hybride regroupant leurs avantages. Dans ce qui suit, nous donnons une petite présentation de ces approches.

            FIGURE 1.12 - Approches de Classification 1.3.5.1 Approche structurelle

            C'est une approche basée sur l'extraction de caractéristiques en tenant compte de l'information structurelle de la forme [Ben02]. Elle cherche à structurer l'information en décrivant la forme à partir de ses composantes les plus élémentaires. Au cours de la reconnaissance, nous

            17

            CHAPITRE 1. LA RECONNAISSANCE OPTIQUE DES CARACTÈRES

            déduisons l'identité du caractère à partir de ces primitives qui correspondent à des formes élémentaires du tracé et à des événements produits lors du tracé et des relations existantes entre elles. Citons quelques méthodes structurelles qui utilisent ces primitives :

            - Les méthodes de tests : Les méthodes de tests consistent à appliquer sur chaque forme traitée des tests de plus en plus fins sur la présence ou l'absence de primitives de manière à répartir les entrées en classe. Le processus consiste à deviser à chaque test l'ensemble des choix en deux jusqu'a ce que nous obtenons une seule forme correspondant à un caractère entré [Ben99]. Ce choix dichotomique est très simple à mettre en oeuvre, mais il est très sensible à la variation du tracé.

            - Représentations à base de chaine : Une forme (caractère, PAW, mot,..) est représentée par une chaine de symboles. Ces symboles représentent les primitives composant la forme ou des directions le long de contour (codage de Freeman). Pour reconnaitre la forme nous la comparons à des formes de références par des algorithmes de comparaisons de chaines. Ces algorithmes donnent, généralement, une mesure de ressemblance entre la forme testée et la formes prototype. Pour plus de détails, le lecteur peut consulter [FGL+06].

            - L'approche syntaxique : Chaque caractère est représenté par une phrase dans un langage ou le vocabulaire est constitué de primitive. Les formes qui appartiennent à la même classe présente une structure commune peuvent être représentées par une même grammaire. Une étude détaillée sur les méthodes syntaxiques se trouve dans [FGL+06].

            1.3.5.2 Approche stochastique

            La forme est considérée comme un signal continu observable dans le temps à différents endroits. Ces états sont décrits à l'aide de probabilité de transition d'état et de probabilité d'observation d'état [BBE00].

            - Les Modèles de Marko Cachés : Les modèles de Markov connaissent un essor important en reconnaissance des formes grâce à leurs capacités d'intégration du contexte et d'absorption du bruit [BBE00]. En utilusant les modèles de Markov, les formes sont décrites par une séquence de caractéristiques qui seront observées dans les états du modèle. La probabilité d'émission de la forme est calculée en cherchant le maximum de la probabilité d'observation des segments pondérée par les probabilités de transitions entre états.

            18

            CHAPITRE 1. LA RECONNAISSANCE OPTIQUE DES CARACTÈRES

            1.3.5.3 Approche statistique

            Une forme est représentée par un vecteur de paramètre. Une étude statistique effectuée sur l'ensemble de ces vecteurs permet de les regrouper en classe. L'étude de répartition des formes à reconnaitre dans un espace métrique et la caractérisation statistique des classes permettent de prendre une décision de reconnaissance. Cette décision est de type plus fort probabilité d'appartenir à une classe. Une étude détaillée sur les méthodes statistiques se trouve dans [JDJ00]. Dans ce qui suit, nous décrivons trois méthodes statistiques parmi les plus couramment utilisées.

            - L'approche bayésienne : La classification bayésienne consiste à calculer la probabilité a posteriori de chaque classe de forme sur les paramètres extraits, la probabilité conditionnelle du vecteur des paramètres étant donnée la classe et la probabilité à priori de chaque classe. Dans le domaine de reconnaissance des caractères arabes, cette méthode a été utilisée dans le travail de [TB07].

            - La méthode de k plus proche voisin : K plus proche voisin est une méthode de raisonnement à partir des cas. Elle consiste à prendre des décisions en recherchant des cas similaires déjà résolus en mémoire. C'est l'une des méthodes les plus simples. Etant donnée une base d'apprentissage d'images, pour classer un nouveau cas, le classifieur KPPV6 cherche ces K plus proches voisins et prédit la réponse la plus fréquente. Deux paramètre sont utilisés par cette méthode : le nombre K et la fonction de similarité. Cette méthode est utilisée dans [Der09] pour la reconnaissance des chiffres imprimés.

            - Les réseaux de neurones: Les classifieur de type réseaux de neurones proviennent d'une modélisation des neurones biologiques. Un neurone permet de définir une fonction discriminante linéaire dans l'espace de représentation des entrées. Les réseaux de neurones ont connu un grand essor pour la reconnaissance de l'arabe. ILs sont utilisés dans un nombre remarquable de travaux tels que [CBB01, Der09, Tim01]. Nous viendrons sur les réseaux de neurones dans le deuxième chapitre de cette mémoire.

            1.3.5.4 Les approches hybrides

            Dans [Feh99, Men08, Reb07], les chercheurs utilisent une collaboration entre une approche statistique et une approche structurelle. Ces systèmes opèrent sur deux niveaux : Le premier extrait puis reconnaît les primitives des formes grâce à un classifieur statistique. Le dexième

            6. K plus proche voisin

            19

            CHAPITRE 1. LA RECONNAISSANCE OPTIQUE DES CARACTÈRES

            exploite les caractéristiques des formes pour reconstruire des graphes pour chacun des formes, puis les reconnaît à l'aide d'un classifieur structurel.

            1.3.6 Post-traitement

            Le post-traitement est un traitement ultérieur à la classification. Cet opérartion est effectuée quand le processus de reconnaissance aboutit à une liste de mots possibles. L'objectif d'un post-traitement est de déterminer le meilleur mot du lexique pouvant correspondre aux hypothèses de reconnaissance. Le post-traitement, améliore les scores pour de l'AOCR. L'opération de post-traitement la plus utilisée dans le domaine de l'AOCR est celle de la vérification et la correction orthographique [Feh99]. La vérification orthographique consiste, simplement, à rechercher un mot dans un dictionnaire.

            Conclusion

            Ce chapitre nous a permis d'amener une étude théorique des notions de l'OCR. Tout d'abord, nous avons présenté les concepts généraux d'un système de reconnaissance des caractères en précisant les méthodes principaux. Nous avons, ensuite, expliqué les différentes méthodes rencontrées par l'OCR. Après une présentation, dans la deuxième section, des propriétés de l'écriture arabe nous avons prouvé la complexité des tâches d'un AOCR.

            Dans notre travail, nous sommes intéressés à l'ensemble des étapes d'un OCR (prétrai-tement, extraction de primitives et classification). Notre objectif est la sélection du sous-ensemble des primitives pertinentes. Ces primitives appartient à l'ensemble des primitives extraites du système de reconnaissance des caractères arabes imprimés. Le but de cette sélection consiste à augmenter le taux de reconnaissance et à minimiser le nombre des entrées du classifieur utilisé. Nous aborderons en détails, dans le chapitre suivant, les outils de sélection de primitives utilisés.

            Chapitre2

            Fondements Théoriques

            L

            ES méthodes de reconnaissance à base de réseaux de neurone ont été étudiées depuis

            plusieurs années dans le but de réaliser des performances proches de celles observées
            chez l'humain. Ces réseaux sont constitué par des éléments de calcul opérant en parallèle de même manière que les réseaux de neurones biologiques. De même, Les algorithmes génétiques représentent une famille très intéressante d'algorithmes d'optimisation fondés sur des opérations de la sélection naturelle. La nature a été source d'inspiration de beaucoup de travaux sur l'hybridation des réseaux de neurones avec des algorithmes génétiques.

            Nous effectuons, dans ce chapitre, un survol des réseaux de neurones artificiels de type perceptron multicouche, leurs modélisations, leurs architectures et leurs principes d'apprentissage. Ensuite, nous présenterons les algorithmes génétiques et nous expliquerons leur principe de fonctionnement. Enfin, nous exposerons quelques hybridations neuro-génétique dans le domaine d'OCR.

            2.1 Le réseau perceptron multicouche

            Le Réseau de neurones n'a pas une définition universelle. Il est constitué d'un ensemble de neurones, ayant chacune une mémoire locale. Ces neurones sont reliées par des canaux de communication, qui transportent des données numériques. Les neurones peuvent agir sur leurs données et sur les entrées qu'elles reçoivent par leurs connexions. La plupart des RNs 1 ont une capacité d'apprentissage. Ils apprennent à partir des exemples, de même que les enfants apprennent à lire en lui présentant des exemples des lettres et des chiffres, écrits

            1. Réseau de Neurone

            21

            CHAPITRE 2. FONDEMENTS THÉORIQUES

            avec des écritures et des fontes différentes. A la fin de l'apprentissage, le RN obtient une capacité de généralisation à partir de ces exemples. Il n'est pas nécessaire de lui fournir une description analytique et discursive de la forme et de la topologie des chiffres et des lettres [Dre04]. HAYKIN [Hay94] définit le réseau de neurones comme étant un processus distribué de manière massivement parallèle, qui a une capacité naturelle de mémoriser des connaissances de façon expérimentale et de les rendre disponibles pour utilisation. Les RNs ressemblent au cerveau humain en deux points :

            1. La connaissance est acquise à travers d'un processus d'apprentissage;

            2. Les poids des connections entre les neurones sont utilisés pour mémoriser les connaissances.

            De tous les RNs qui réalisent un apprentissage supervisé des connaissances, le PMC 2 est le plus connu et le plus populaire. Depuis plusieurs années, il est utilisé dans divers domaines tels que la reconnaissance de l'écriture, l'authentification de signatures, la segmentation de documents, la localisation de cibles dans des images, etc. Nous verrons dans les sections qui suivent que le PMC peut être un outil très utile pour résoudre divers types de problèmes, à condition d'être conscient de ses limites.

            2.1.1 Le perceptron simple

            L'origine du RN remonte à la fin des années 1950 lorsque ROSENBLATT [Héb99] propose un premier modèle de RN. Ce modèle ne comporte qu'un seul neurone. C'est le perceptron simple. La structure d'un perceptron simple est illustrée dans la figure-2.1 :

            2. Perceptron Multicouches

            22

            CHAPITRE 2. FONDEMENTS THÉORIQUES

            FIGURE 2.1 - Modèle d'un réseau de neurone de type perceptron simple

            L'action d'un neurone de type perceptron simple est d'intégrer toute l'information conte-

            nue dans un vecteur d'entrée x = [x1, x2, , xn]T ? IRn afin de produire une valeur de
            sortie y. La fonction de transfert entre les entrées d'un neurone et sa sortie tient compte du fait que des connexions plus ou moins excitatrices relient le neurone à chacune des variables d'entrée x ,i = 1, 2, ...n.

            Le comportement d'une connexion est déterminé par son poids w , i = 1, 2, ..., n. Un coefficient synaptique w élevé tente d'activer le neurone pour l'entrée x , tandis qu'à l'inverse, un coefficient synaptique faible cherche à l'inhiber. Le neurone détermine son niveau d'activation total en réalisant une somme pondérée des entrées et des coefficients synaptiques. Lorsque son niveau d'activation est supérieur ou égal à son seuil d'activation le perceptron s'active et produit une sortie positive (y = 1). Dans le cas contraire, il s'inhibe et produit une sortie négative (y = -1). Mentionnons que couramment le seuil d'activation est appelé le biais du neurone. Nous pouvons écrire que le perceptron simple cherche à réaliser une transformation ? : IRn[-1; +1] telle que :

            (?x ? IRn) ? y = ?( Xn x w - è ) ? [-1,1] (2.1)

            =1

            Ou ?()est la fonction du seuil :

            ?

            ?

            ?

            +1sií = 0 -1siv < 0

            Selon l'équation (2.2), le comportement du perceptron simple est entièrement commandé par l'équation de l'hyperplan :

            Xn x w - è = 0 (2.2)

            =1

            23

            CHAPITRE 2. FONDEMENTS THÉORIQUES

            Cet hyperplan permet de tracer une frontière de décision séparant l'espace d'entrée en deux sous-espaces. Le perceptron simple peut discriminer des données appartenant à deux classes distinctes se situant de part et d'autre de cette frontière. Un hyperplan ne peut pas avoir une forme concave ou convexe. Les deux classes doivent être linéairement séparables pour pouvoir être distinguées par un perceptron simple. L'objectif visé par l'apprentissage supervise d'un perceptron simple consiste donc à déterminer l'équation de l'hyperplan qui permet de séparer correctement des données appartenant à l'une ou l'autre des deux classes. Les perceptrons simples présentent des limites. Un seul perceptron ne peut pas séparer des données appartenant à plus de deux classes et même des données qui ne sont pas linéairement séparables (figure-2.2).

            FIGURE 2.2 - Deux situations pour lesquelles un perceptron simple ne peut pas discriminer les classes [Héb99]

            Il est donc nécessaire d'améliorer ce réseau afin d'obtenir des frontières de décision mieux adaptées à la complexité d'un problème posé. Nous décrivons, dans la prochaine section, l'extension naturelle du perceptron simple qui donnera solution à ces problèmes.

            2.1.2 Architecture d'un perceptron multicouche

            Tel qu'il est présenté dans la figure-2.3, un PMC est composé d'une certaine couche de neurones de type perceptron. A travers ces couches, l'information se propage des entrées vers les sorties. Toutes les couches de neurones qui se trouvent avant la couche de sortie sont appelées les couches cachées du réseau. Le PMC est un réseau complètement connecté. La sortie d'un neurone d'une couche cachée devient une entrée pour tous les neurones situés sur la couche suivante et ainsi de suite jusqu'à la couche de sortie. La propagation d'un vecteur

            24

            CHAPITRE 2. FONDEMENTS THÉORIQUES

            d'entrée à travers tout le réseau, couche par couche, permet d'obtenir des sorties classées par le réseau. Par exemple, le réseau de la figure-2.3 contient une première couche d'entrée de deux neurones, deux couche cachée l'une de trois neurones et l'autre quatre neurones et enfin une couche de deux neurones à la sortie.

            FIGURE 2.3 - Structure d'un perceptron multicouche

            Un PMC peut être formé d'un nombre quelconque de couches pouvant chacune contenir un nombre quelconque de neurones. Grâce à sa structure, le PMC est capable de pouvoir former des frontières de décision qui soient adaptées à la complexité du problème posée (figure-2.4).

            FIGURE 2.4 - Frontière de décision obtenue à l'aide d'un perceptron multicouche [Gos96]

            Malgré son pouvoir de modélisation intéressant, le PMC a été inexploité durant plusieurs années. C'est à cause de l'absence d'algorithme d'apprentissage adéquat pour ajuster ses nombreux paramètres. C'est en 1986, que D.E. RUMELHART et AL [Héb99] ont proposé une

            25

            CHAPITRE 2. FONDEMENTS THÉORIQUES

            généralisation de l'algorithme d'apprentissage original de ROSENBLATT afin de permettre l'ajustement des poids d'un réseau de structure quelconque. L'ajustement se fait en minimisant de manière satisfaisante l'erreur engendrée à la sortie du réseau. Cet algorithme, connu sous le nom d'algorithme de rétropropagation du gradient, a permis au PMC de prendre définitivement son envol. Nous décrivons le fonctionnement d'algorithme de rétropropagation du gradient dans la section suivante.

            2.1.3 Apprentissage d'un perceptron multicouches

            L'apprentissage d'un PMC par rétropropagation des erreurs consiste à lui présenter un

            ensemble deN données d'entraînement D = {(x1, o1), (x2, o2), , (xn, on)} . Ceci est dans
            le but d'ajuster itérativement ses différents paramètres de manière à minimiser l'erreur qua-dratique3 de sortie. Une donnée d'entraînement (x; o)E D est en fait un couple de vecteurs (x; o) E IRn --+ IRm tel que x est un vecteur d'entrée qui est propagé à travers toutes les couches du PMC, jusqu'à la couche de sortie, et o est le vecteur de sortie désirée.

            BISHOP [Bis95] a démontré qu'un réseau de type PMC à une couche cachée peut estimer n'importe quelle fonction dans un IRn avec une précision arbitraire. Ainsi, le PMC est capable d'estimer des hyper-surfaces discriminantes très complexes. En effet, la difficulté majeure rencontrée lors de l'utilisation de ce type de classifieur est de déterminer le nombre de couches cachées, le nombre de neurones dans chaques couches et les poids de connexions entre les différentes couches. De ce fait, la construction du classifieur de type PMC utilise des règles empiriques. Afin d'obtenir des performances de généralisation intéressantes, il est nécessaire d'éffectuer un certain nombre d'essais. L'utilisation des algorithmes d'apprentissage permet de déterminer les poids de connexions du réseaux. L'objectif de cet algorithmes est de minimiser l'erreur de décision effectuée par le RN en ajustant les poids à chaque présentation d'un vecteur d'entraînement.

            Nous utiliserons pour l'apprentissage du réseau l'algorithme de rétropropagation du gradient qui est défini par les étapes suivantes :

            1. Initialiser les poids et les seuils du réseau à des petites valeurs;

            2. Présenter à l'entrée du réseau un vecteur de caractéristiques de la base de données, puis calculer la valeur d'activation et la fonction d'activation de ce vecteur en utilisant la

            3. Somme des carrés de l'erreur de chaque composante entre la sortie réelle et la sortie désirée

            26

            CHAPITRE 2. FONDEMENTS THÉORIQUES

            formules (2.3);

            wjioj

            (2.3)

            Xni =

            j

            Avec : oj désigne la valeur d'activation du neurone i tel quen i = f (ni), où f (ni) est la fonction d'activation. Nous avons utilisé la fonction sigmoïde définie par :

            1

            f (ni) = (2.4)
            1 + e-ni

            3. Évaluer l'erreur générer dans les sorties du réseau en utilisant la formule (2.5);

            äj = (dj - oj)oj (1 - oj) (2.5)

            avec djest la valeur désirée du neurone j

            4. Ajuster les poids en utilisant la formule (2.6);

            Lwij = çäjoj (2.6)

            ç est la valeur de la constante d'apprentissage. En général: 0.1 < ç < 0.9

            5. Évaluer l»erreur générer pour chaque couche cachée en utilisant la formule (2.7);

            äj = oj(1 - oj) X wjkäk (2.7)

            k

            6. Adapterr les poids de la couche cachée en utilisant la formule (2.6);

            7. Répéter les étapes ( 2) et (6) pour l'ensemble des vecteurs de caractéristiques de la base d'apprentissage tant que le critère d'arrêt n'est pas encore atteint.

            Pour accélérer la vitesse de convergence de l'algorithme d'apprentissage, il est possible d'ajouter un momentum. La formule (2.5) devient :

            Awij(n + 1) = çäjoj + áAwij(n) (2.8)

            á est le momentum tel que 0.1 < á < 0.8 et Awij(n) représente l'ajustement à l'étape précédente.

            Il existe plusieurs critères d'arrêts. Parmis les critères les plus utilusés, nous citons :

            - Fixer un seuil que l'erreur quadratique ne doit pas dépasser. Ceci exige une connaissance

            27

            CHAPITRE 2. FONDEMENTS THÉORIQUES

            préalable de la valeur minimale de l'erreur qui n'est pas toujours disponible. Il suffit de s'arrêter lorsque tous les objets sont correctement classés;

            - Déterminer un nombre fixe de cycles à atteindre;

            - La méthode du cross-validation peut être utilisée pour contrôler l'apprentissage du réseaux. L'algorithme d'apprentissage s'arrête lorsqu'il n'y a pas d'amélioration de la performance du système de reconnaissance. La méthode de cross-validation fonctionne sur deux bases : la base d'apprentissage et la base validation.

            L'inconvénient des réseaux de neurones de type perceptron multicouche est le manque d'une théoriques permettent de déterminer le nombre de couches cachées et le nombre de neurones par couche en prenant compte de la complexité du problème à traiter. Certaines heuristiques permettent pour déterminer le nombre de neurones dans une couche cachée. Pour définir le nombre de couches cachées et de neurones par couches, le concepteur doit effectuer un grand nombre d'expériences. Par exemple, nous varions la taille du réseau, puis, nous effectuons un apprentissage complet pour chaque taille. Enfin, nous choisissons la structure qui conduit aux meilleurs résultats.

            De nos jours, les PMCs sont les réseaux les plus utilisés par les développeurs. Des résultats satisfaisants ont été mis en valeur dans des domaines d'applications divers. Dans la partie suivante, nous présenterons les algorithmes génétiques. Puis, nous mettrons en évidence la relation entre les algorithmes génétiques et les PMCs.

            2.2 Les algorithmes génétiques

            Les algorithmes génétiques ont été mis au point par HOLLAND dans les années 60 [Gue09]. Ils ont été ensuite raffinés par DEJHON. Les fondements mathématiques ont été, enfin, exposés par GOLBDERG [Gol89]. Les AGs4 sont des algorithmes d'optimisation évo-lutionnaires inspirés de l'évolution Darwinienne des populations. Ils sont des algorithmes d'optimisation s'appuyant sur des techniques dérivées de la génétique et des mécanismes d'évolution de la nature. L'idée fondatrice de ces algorithmes est d'utiliser la théorie de l'évolution comme modèle informatique pour trouver une solution optimale. Le but des AGs est d'optimiser une fonction prédéfinie, appelée fonction objectif, ou Fitness.

            Dans un AG, chaque individu représente un point de l'espace d'état auquel nous associons un vecteur de valeur de critères à optimiser. Nous générons, ensuite, une population d'indi-

            4. Algorithme génétique

            28

            CHAPITRE 2. FONDEMENTS THÉORIQUES

            vidus aléatoirement. L'AG s'attache à sélectionner les meilleurs individus tout en assurant une exploration efficace de l'espace d'état. La figure ci-dessous présente les étapes d'un AG. Une description plus détaillée sera présentée dans les parties ultérieures.

            FIGURE 2.5 - Fonctionnement général de l'algorithme génétique

            Un AG a pour but de faire évoluer un ensemble de solutions candidates à un problème posé vers la solution optimale. Cette évolution s'effectue sur la base de transformations inspirées de la génétique, assurant de génération en génération, l'exploration de l'espace des solutions. Les différentes étapes suivies par un AG sont celles de cycle de l'évolution décrit dans les sections suivantes.

            2.2.1 Génération de la population initiale

            Dans la littérature, plusieurs mécanismes de génération de la population initiale sont utilisés . Cette population est crée soit aléatoirement, soit par des heuristiques soit par une hybridation de solutions aléatoires et heuristiques. Le problèmede la création de la population

            29

            CHAPITRE 2. FONDEMENTS THÉORIQUES

            est le choix de sa taille. Si la taille est trop grande, le temps de calcul augmente et demande un espace mémoire important. Par contre, pour une population de petite taille, la solution obtenue n'est pas satisfaisante. Il faut donc trouver la bonne taille. La population initiale doit être diversifiée pour que l'algorithme ne se bloque pas dans un optimum local.

            2.2.2 Codage

            Pour implémenter un AG, il faut commencer par créer une population des individus initiaux. Chaque individu de la population est codé par un chromosome. Chaque chromosome code une solution possible de problème. L'efficacité de l'AG va donc dépendre du choix du codage d'un chromosome. Il excite principalement deux types de codage : binaire et réel.

            - Codage binaire: Ce codage a été le premier à être utilisé dans le domaine des AGs. Le codage binaire consiste à représenter chaque vecteurs de paramètres X par une chaine de bits. Chaque champs prend la valeur 0 ou 1. Ce type de codages présente plusieurs avantages . Il se caractérise par un alphabet minimal {0,1}.De plus, il facilite la mise au point des opérateurs génétiques. Néanmoins, ce type de codages présente l'inconvénient [Gue09] que les performances des AGs sont dégradées devant les problèmes d'optimisation de grande dimension à haute précision numérique.

            - Codage réel : Le codage réel utilise directement les valeurs réelles des paramètres. Un chromosome est en fait un vecteur dont les composantes sont les paramètres de processus d'optimisation. Par exemple, si nous cherchons à optimiser une fonction de n variables f (x1, x2,....., xn-1, xn), nous pouvons utiliser un chromosome ch contenant n variables. Ce type de codage présente quelques avantages [Gue09]. La procédure d'évaluation des chromosomes est plus rapide vu que le codage utilise les valeurs réelles. Ainsi, la représentation réelle aboutit souvent à une bonne précision et un gain de temps d'exécution.

            2.2.3 Fonction d'évaluation

            Dans la nature, l'adaptation d'un individu traduit sa capacité de survie dans son environnement. Dans le cadre des AGs, l'adaptation d'un individu va être traduite par une mesure de sa capacité de vie qui est appelée Fitness. Celle-ci sera définie par l'utilisateur. La force de chaque chromosome de la population est calculée afin de favoriser la chance des plus forts lors

            CHAPITRE 2. FONDEMENTS THÉORIQUES

            de la sélection. Les chromosomes sélectionnés seront modifiés dans la phase de croisement et de mutation.

            2.2.4 Sélection

            La sélection est l'opérateur le plus important pour améliorer la qualité d'une population. Son objectif est de retenir les meilleurs individus qui participerontà l'opération de croisement. La sélection élimine les plus mauvais. Sans tenant compte du codage utilisé, la littérature propose différents types de sélection.

            - Sélection par Rang : Le principe de la sélection par rang consiste à ranger les individus de la population dans un ordre croissant ou décroissant, selon l'objectif. La spécificité de cette méthode est de ne pas prendre en compte des valeurs propres. Elle fait une disjonction de la fonction d'adaptation et de la fonction à optimiser ce qui conduit à des résultats non décisifs [Gol89]. DEJONG et SAMARA [DS95] ont cité, dans leur papier, que cette méthode empêche la dominance d'un individu en préservant des proportions de descendants adéquates.

            - Sélection par Roulette Biaisé : Le principe de la roulette biaisée consiste à associer à chaque individu une probabilité de sélection proportionnelle à sa fitness. Selon cette méthode, chaque chromosome est copié dans la nouvelle population proportionnellement à sa Fitness. Nous effectuons autant de tirages avec remise que d'éléments existant dans la population. Pour un chromosome particulier chi de Fitness f (chi), la probabilité de sa sélection est :

            p (chi) = f (chi)

            Pn (2.9)

            j=1 f (chj)

            Plus la performance d'un individu est élevée plus il a une chance d'être reproduit dans la population. Les individus ayant une grande Fitness relative ont donc plus de chance d'être sélectionnés. Le nombre de copies espérées pour chaque individu chi qui va résulter de la sélection est alors égal à :

            ni = N X p (chi) = f (chi)

            Pn

            1 j=1 f (chj) n

            f (chi)

            = (2.10)
            f

            30

            L'inconvénient de ce type de sélection vient du fait qu'il peut favoriser la dominance d'un individu qui n'est pas forcément le meilleur.

            31

            CHAPITRE 2. FONDEMENTS THÉORIQUES

            - Sélection par Tournoie : Cette technique de sélection s'effectue en deux étapes, tout d'abord nous réalisons un tirage aléatoire sur l'ensemble de la population des N individus qui vont participer au tournoi. M 5 individus sont tirés au sort dans la population [Jou03]. Dans cette première étape, tous les individus ont la même chance d'être sélectionnés. Dans la seconde étape, nous comparons les Fitness des M individus sélectionnés pour garder le meilleur. Il existe différentes sélections par tournoi :

            1. Tournoi déterministe : Le meilleur des M individus gagne le tournoi. La probabilité qu'un mauvais individu soit sélectionné est très faible avec cette technique;

            2. Tournoi probabiliste : Chaque individu peut être choisi comme gagnant avec une probabilité proportionnelle à sa Fitness.

            Commençant d'une population initiale souvent non homogène, la diversité de la population doit être entretenue aux cours des générations. C'est le rôle des opérateurs de crsoisement et de mutation qui seront traités dans les sections suivantes.

            2.2.5 Croisement

            Le croisement est l'opérateur principal des AGs. Son rôle consiste à choisir aléatoirement deux individus parents pour les combiner et créer deux nouveaux individus enfants. Ila une infliance sur la convergence de l'AG, en lui permettant de concentrer une partie de la population autour des meilleurs individus. Plusieurs opérateurs de croisement ont été proposés [NA04], nous citons ici les plus utilisés :

            - Croisement en-1point : Ce type de croisement consiste, d'abord, à couper chacun des deux parents en deux parties à une position choisie au hasard ,puis, à recopier la partie inférieure du parent à l'enfant. Enfin, compléter les gènes manquants de l'enfant à partir de l'autre parent en respectant l'ordre des gènes [Cha11]. La figure suivante présente un exemple illustratif de ce type de croisement :

            5. la taille du tournoi

            32

            CHAPITRE 2. FONDEMENTS THÉORIQUES

            FIGURE 2.6 - Croisement en 1-point de deux chromosomes

            - Croisement en 2-point : Ce type de croisement conciste à choisisr aléatoirement deux points de coupure pour découper chaque parent en trois fragments. Les deux premiers fragments pour le Parent1 (respectivement Parent2) sont copiés à l'Enfant1 (respectivement Enfant2). Nous complètons la partie restante de l'Enfant1 par les éléments du Parent2 et la partie restante de l'Enfant2 par les éléments du Parent1 en parcourant de gauche à droite et en ne reprenant que les éléments non encore transmis. La figure ci-dessous présente un exemple illustratif de ce type de croisement.

            FIGURE 2.7 - Croisement en 2-points de deux chromosomes

            Certaines autres opérateurs de croisement sont proposés dans la littérature comme le croisement PMX5, OX6, CX7, JOX8, ER9 , ... [Cha11] .

            2.2.6 Mutation

            La mutation est l'opérateur de base d'une stratégie d'évolution. Il est une source de la variation génétique. Il garantit la globalité de la recherche, en permettant d'explorer l'ensemble de l'espace de recherche.

            33

            CHAPITRE 2. FONDEMENTS THÉORIQUES

            FIGURE 2.8 - Exemple de mutation

            Comme pour les croisements, de nombreuses méthodes de mutation ont été présentées dans la littérature [NA04]. Nous citons les plus connues :

            - Opérateur d'inversion simple: Consiste à choisir deux points de coupure aléatoirement et inverser les positions des gènes situées au milieu;

            - Opérateur d'insertion : Consiste à sélectionner un gène et une position dans le chromosome à muter au hasard , puis à insérer le gène sélectionné dans la position choisie;

            - Opérateur d'échange réciproque : Permet de sélectionner deux gènes et de les changer.

            2.2.7 Insertion

            Après l'étape de mutation, nous utilisons une méthode d'insertion. Plusieurs stratégies ont été présentées dans la littérature :

            - Première stratégie : Consiste à choisir les Psize individus à partir des Psizeenfants créés par les opérateurs de croisement et mutation. Dans ce cas, les parents sont, alors, remplacés par les enfants mutés [Cha11];

            - Deuxième stratégie : Consiste à choisir les Psize individus à partir des Psize parents de la population précédente et de Psize nouveaux enfants. A chaque itération, les individus de meilleures Fitness seront sélectionnés afin de créer des individus enfants. Ces derniers remplaceront les plus mauvais parents. Le reste sera copié dans la nouvelle génération [Cha11];

            - L'élitisme : Consiste à copier quelques meilleurs individus dans la nouvelle population [Cha11].

            34

            CHAPITRE 2. FONDEMENTS THÉORIQUES

            L'objectif d'insertion est d'éviter que les meilleurs individus soient perdus après l'application des opérateurs de croisement et de mutation. Cette méthode permet de conserver les meilleurs individus trouvsé dans toutes les populations générées antérieurement.

            2.2.8 Critère d'arrêt

            L'arrêt de l'évolution d'un AG est l'un des difficultés majeur car il est souvent difficile de savoir si nous avons trouvé l'optimum. Les critères d'arrêt les plus utilisés, dans la littérature, sont les suivants :

            1. Arrêt de l'algorithme après un nombre de générations (un nombre fixé a priori);

            2. Arrêt de l'algorithme lorsque le meilleur individu cesse d'évoluer pendant un certain nombre de génération;

            3. Arrêt de l'algorithme lorsqu'il ya perte de la diversité génétique.

            Une façon d'améliorer les performances d'un algorithme est le combiner avec une autre méthode. L'idée dans ce cas est de lancer l'AG en premier lieu, ensuite, une autre technique s'occupera du raffinement des solutions générées par l'AG. Dans ce qui suit, nous allons étudier l'hybridation neuro-génétique dans le domaine d'OCR.

            2.3 L'hybridation neuro-génétique

            De nos jours, l'informatique participe à la plupart des systèmes décisionnels, ce qui rend la reconnaissance de formes un domaine majeur de l'informatique, dans lequel les recherches sont particulièrement actives. La répartition de l'information sur chaque outil de classement contribue à une meilleure reconnaissance.

            Le souci d'améliorer les performances des systèmes de reconnaissance est une raison déterminante pour l'introduction de nouvelles stratégies de classification dans les techniques de reconnaissance d'écriture telle que le RN. Une caractéristique des RNs est leur capacité à apprendre. Ils peuvent reconnaitre les lettres, les sons,....Mais cette connaissance n'est pas acquise dès le départ. Les RNs apprennent par l'exemple en suivant un algorithme d'apprentissage. Les méthodes de reconnaissance à base de RN ont été étudiées depuis plusieurs années dans le but de réaliser des performances proches de celles observées chez l'humain.

            35

            CHAPITRE 2. FONDEMENTS THÉORIQUES

            Ces réseaux sont composés de plusieurs éléments de calcul opérant en parallèle et arrangés à la manière des réseaux de neurones biologiques. LIPPMAN [Lip87] a précisé que la force des RNs réside dans leur capacité à générer une région de décision de forme quelconque, requise par un algorithme de classification, au prix de l'intégration de couches de cellules supplémentaires dans le réseau de type PMC.

            De même, Une approche de type génétique est conçue, dans la littérature, pour adapter la partition de l'espace des paramètres relativement à l'ensemble des outils disponibles. L'AG est un exemple de procédure d'exploration qui utilise un choix aléatoire comme outil pour guider une exploration dans l'espace des paramètres codés. Cette technique garantit non pas d'atteindre l'optimum global de la fonction, mais de converger vers cet optimum. Dans la littérature, il y a plusieurs chercheurs qui ont essaie de profiter des caractéristiques des AGs et PML dans le domaine d'imagerie.

            L'hybridation neuro-génétique, bien que relativement à ses débuts, elle signale des résultats encourageants dans le domaine de l'OCR.

            2.3.1 Système de OLIVEIRA

            OLIVERI et ces collègues proposent dans leur papier datant le 2002 [OSB+02] une hybridation neuro-génétique pour la reconnaissance des chiffres manuscrits. Ils ont tenté de proposer une méthode d'optimisation pour la sélection des primitives pertinentes. La sélection des primitives est une étape importante dans tout système de reconnaissance de formes. Cette sélection est considérée comme un problème d'optimisation combinatoire. Elle a fait l'objet de recherche dans de nombreuses disciplines. L'objectif visé par cette recherche est de réduire le nombre des primitives en éliminant celles qui sont redondantes et non pertinentes sans affecté la performance du classifieur utilisé par la reconnaissance. Les AGs sont utilisés pour résoudre ce type de problème de sélection des primitives dans la reconnaissance de chiffres isolés. Le classifieur utilisé est un PMC.

            Les tests sont effectué sur la base de chiffres isolés NIST-SD19. Les résultats obtenus lors de la sélection des primitives ont permis de réduire la complexité du réseau de neurones utilisé. Le nombre de primitives a été réduit de 25% par rapport à l'ensemble des primitives extraites.

            Le second aspect de ce travail est la pondération des primitives qui consiste à déterminer les primitives les plus discriminantes en leur attribuant un poids. Les expériences effectuées n'ont pas donné de bonnes solutions. OLIVERI et ces collègues ont observé que les valeurs des poids accordés aux primitives se rapprochent de la valeur initiale (valeur égale à 1). Ils ont conclu donc que la pondération des primitives n'est pas adaptée pour l'optimisation de

            36

            CHAPITRE 2. FONDEMENTS THÉORIQUES

            ce type de système de reconnaissance de chiffres isolés Cependant, il a été rapporté dans la littérature que cette approche peut fonctionner avec d'autres types de classificateur tel que la méthode du plus proche voisin.

            2.3.2 Système de KROUCHI et DJEBBAR

            En 2007, KROUCHI et DJEBBAR proposent une extention dans le domaine d'OCR qui consiste à éffectuer une hybridation entre un réseau de neurone de type PMC et un AG [KD07]. Ce système traite la reconnaissance hors ligne des chiffres manuscrits isolés par une approche Neuro-Génétique. L'apprentissage de ce réseau est composé de deux grandes étapes :

            1. Une initialisation effectuée par les AGs : l'AG verra le RN en tant qu'individu d'une population. Le réseau utilisé est composé de trois couches de neurones avec vingts neurones en entrée relatives aux vecteurs de caractéristiques obtenus par la technique des moments de Zernike, quatre vingts en couche cachée, et dix en sortie relatives au nombre de classes de chiffres (0,1,2,3,4,5,6,7,8,9).

            2. Etape d'apprentissage réalisée par l'algorithme de rétro-propagation du gradient. Cette étape est basée sur la descente du gradient d'erreur quadratique moyenne commise par le réseau PMC.

            Ce système de classification permet d'obtenir un taux de reconnaissance de 87.51% en utilu-sant un PMC. Ensuite, le même classifieur est utilisé (architecture, paramètres d'entrées) en remplacent la technique de la rétropropagation par la méthode génétique. Ce dernier permet d'obtenir un taux de reconnaissance de 97.1%.

            Conclusion

            Ce chapitre nous a permis d'avoir un aperçu général sur les réseaux de neurones. Notre étude s'est intéressée principalement aux réseaux de neurones de type PMC. Nous avons décrit leur architecture et leur algorithme d'apprentissage. De même, ce chapitre nous a permis d'avoir une vue générale sur les concepts des AGs. Nous pouvons conclure que les AGs peuvent résoudre des problèmes assez complexes grâce aux opérateurs de reproduction. Les AGs sont des procédures robustes pour résoudre un problème d'optimisation pour la sélection des primitives. Dans la dernière partie de ce chapitre, nous avons illustré quelques hybridations entre les PMCs et les AGs dans le domaine d'OCR.

            37

            CHAPITRE 2. FONDEMENTS THÉORIQUES

            L'objectif de notre projet est de minimiser les entrées du réseau de neurone tout en améliorant la performance du système de reconnaissance. Pour se faire, nous utilisons les éléments da la théorie de l'optimisation basée sur les principes de la sélection naturelle qui donne, d'après la littérature, de meilleurs résultats dans la sélection des primitives. En ce sens, les chapitres suivants seront consacrés à la présentation des étapes de notre système de reconnaissance des caractères arabes en utilisant une hybridation neuro-génétique.

            Chapitre3

            Contributions à la reconnaissance Des

            caractères arabes imprimés

            N

            OUS désignons par une approche "hybride" un modèle faisant coopérer un ou plusieurs réseaux de neurones et un algorithme génétique. L'avantage de ce type de modèle par rapport à l'usage d'un réseau de neurones pur est qu'il améliore le taux de reconnaissance de système.

            Nous consacrons ce chapitre à la description de notre approche. Dans un premier temps, nous présentons le problème à résoudre, nous justifions le choix de l'approche et nous donnons un aperçu sur le système de reconnaissance que nous avons développé. Dans un deuxième temps, nous présentons les opérations de prétraitement effectués sur l'image du texte. Ensuite, nous décrivons la phase de segmentation du document. Puis, nous expliquons la méthodologie adoptée pour la sélection des primitives par les algorithmes génétiques. Enfin nous détaillons le processus de reconnaissance.

            3.1 Position du problème

            Le but de notre travail est de déterminer la méthodologie la plus appropriée pour résoudre le problème de sélection des primitives dans un système de reconnaissance des caractères arabes imprimés multifontes. Malgré les nombreux travaux menés sur la reconnaissance de l'écriture arabe imprimée, plusieurs problèmes existent encore. Ces problèmes concernent plusieurs aspects. La diversité de l'alphabet arabe ainsi que les caractéristiques compliquées des caractères (boucle, contour similaire,..) rend la méthode de sélection des primitives la plus appropriée difficile. De plus, les primitives extraites peuvent être pertinentes pour certains

            39

            CHAPITRE 3. CONTRIBUTIONS À LA RECONNAISSANCE DES CARACTÈRES

            ARABES IMPRIMÉS

            caractères mais pas pour les autres. Au cours de ce travail, nous proposons un système qui répond aux problèmes suivants : La squelettisation, la segmentation , l'extraction et la sélection des primitives, la reconnaissance et le post-traitement.

            Partant d'un document imprimé, la squelettisation de ce dernier permet de le représenter en "fil de fer". Notre but est de décomposer ce texte en lignes, les lignes en mots ou sous mots et les mots ou sous-mots en caractères. Puis, nous passons à l'extraction des primitives.

            L'extraction de primitives consiste à transformer le caractère en un vecteur de primitives de taille fixe. Les primitives doivent être discriminantes. Nous proposons, dans notre système, la sélection des primitives en utilisant l'optimisation par les AGs. Tout en effectuant cette sélection, il est important de maintenir ou d'améliorer la performance du système de reconnaissance. Enfin, nous clôturons par la phase de reconnaissance.

            3.2 Justification de l'approche choisie

            L'extraction des primitives est l'étape la plus difficile dans un système de reconnaissance d'écriture. L'ensemble des primitives sélectionnées doivent avoir un pouvoir discriminant entre les formes de différentes classes, mais demeurent presque les mêmes pour une même classe. L'extraction des primitives est étroitement liée à la classification.

            La reconnaissance du caractère passe d'abord par l'analyse de la forme et l'extraction de ces traits caractéristiques, qui seront exploitées pour son identification. A ce niveau, se pose le problème de choix des traits caractéristiques, auquel nous imposons de distinguer des formes proches mais différentes. Ces caractéristiques doivent tolérer les variations normales du caractère et être peut sensible à la variation d'échelle. Ceci constitue un premier paradoxe dans la définition des traits caractéristiques. Il existe une très grande variété de caractéristiques mesurables sur des images. Trop souvent, nous pensons que chaque caractéristique est importante pour discriminer une forme d'une autre.

            En se référant à l'état de l'art, GYEONGHWANet SEKWANG [GS00] ont observé que la performance d'un système de reconnaissance devient mauvaise et le temps de calcul augmente à mesure que le nombre de primitives augmente. Dans certains cas, ils existent quelques caractéristiques qui n'aideront pas à discriminer les classes. Autrement dit, il existe des caractéristiques redondantes ou non pertinentes. Ces caractéristiques seront inutiles dans la classification de la forme d'où l'utilité d'effectuer la sélection des primitives les plus pertinentes. Cette sélection a parfois un impact considérable sur l'efficacité des résultats de la classification. Les méthodes d'optimisation peuvent être déterministes ou non déterministes. Les méthodes déterministes sont, généralement, efficaces lorsque l'évaluation de la fonction

            40

            CHAPITRE 3. CONTRIBUTIONS À LA RECONNAISSANCE DES CARACTÈRES

            ARABES IMPRIMÉS

            à optimiser est très rapide ou lorsque la forme de la fonction est connue a priori. Elles nécessitent comme étape préliminaire la localisation des extremas. Au temps que, les méthodes non déterministes font appel à des tirages de nombres aléatoires. Elles permettent une exploration efficace de l'espace de recherche. Nous adaptons alors une méthode non déterministe pour notre approche.

            DASH et LIU [DL97] et YANG et HONAVAR [YH97] proposent deux étapes essentielles dans la sélection des primitives; les procédures de recherche et les fonctions d'évaluation.

            3.2.1 Les procédures de recherche

            Si l'ensemble des caractéristiques contient N primitives définies initialement alors le nombre total de possibilités des candidats générés est de 2N. Ce nombre est très élevé. Le but est de trouver une solution parmi ce nombre de probabilités. Pour résoudre cette problématique, la procédure de recherche regroupe trois approches : complète, heuristique et aléatoire.

            - Complète : Cette procédure fait une recherche complète dans les sous-ensembles opti-mals de primitives selon la fonction d'évaluation utilisée. Plusieurs fonctions d'évaluation sont employées pour réduire l'espace de recherche sans compromettre les chances de trouver le sous-ensemble optimal. Bien que l'espace de recherche soit2N, peu de sous-ensembles sont évalués. L'optimalité du sous-ensemble de primitives, selon la fonction à optimiser, est garantie car le procédé peut faire des retours arrière.

            - Heuristiques : À chaque itération, toutes les caractéristiques qui restent à être sélectionnées sont considérées pour la sélection des primitives. L'espace de recherche est N2. Ces procédures sont très simples et rapides car l'espace de recherche est quadratique en termes de nombre de primitives.

            - Aléatoire : Cette procédure de recherche est nouvelle dans son utilisation en comparaison avec les deux autres méthodes de sélection des primitives. Bien que l'espace de recherche soit2N, ces méthodes cherchent dans les sous-ensembles en effectuant un maximum d'itérations. Chaque procédure de recherche aléatoire exige des valeurs de quelques paramètres pour l'appliquer au problème à résoudre. La tâche d'attribution de valeurs appropriées à ces paramètres est importante afin d'obtenir des résultats satisfaisants.

            41

            CHAPITRE 3. CONTRIBUTIONS À LA RECONNAISSANCE DES CARACTÈRES

            ARABES IMPRIMÉS

            3.2.2 Les fonctions d'évaluation

            Les fonctions d'évaluation mesurent l'ensemble des solutions candidates générées par les procédures de recherche. Ces valeurs sont comparées aux valeurs précédentes. La meilleure valeur sera gardée. Il existe plusieurs types d'évaluation :

            - La mesure de la distance (distance euclidienne) permettant de mesurer les capacités de discrimination;

            - La mesure d'information permettant d'estimer le gain d'une caractéristique;

            - La mesure de dépendance permettantde quantifier la corrélation des caractéristiques; - La mesure de consistance de l'ensemble des caractéristiques et la mesure du taux d'erreur lors de la classification.

            Dans la littérature, les chercheurs ont classé les approches de sélection des primitives en deux catégories : Filter et Wrapper.

            FIGURE 3.1 - Approche de selection de primitives [YH97]

            Les primitives sont sélectionnées indépendamment de l'algorithme d'apprentissage dans le cas de l'approche Filter, tandis qu'un sous-ensemble de primitives est généré et évalué par l'algorithme d'apprentissage dans l'approche Wrapper. YANG et HONAVAR [YH97] ont mentionné que le temps de calcul de l'approche Filter est beaucoup plus rapide que l'approche

            42

            CHAPITRE 3. CONTRIBUTIONS À LA RECONNAISSANCE DES CARACTÈRES

            ARABES IMPRIMÉS

            Wrapper. Ainsi ,l'approche Filter explore de manière efficace tous les sous-ensembles des caractèristiques en sélectionnant les sous-ensembles minimales et suffusants afin de déterminer l'étiquette indiquant la classe.

            KUDO et SKLANSKY [KS00] ont étudié les différentes techniques d'optimisation et ont trouvé que les AGs conviennent parfaitement lorsque le nombre de primitives à sélectionner est grand. Ils ont rajouté que les AGs ont une grande probabilité de trouver les meilleures solutions par rapport aux autres techniques d'optimisation. Ils recommandent d'appliquer les AGs plusieurs fois avec différents paramètres.

            L'application des AGs dans la sélection de primitives a été utilisée dans des différents domaines de recherche tels que l'étalonnage de caméras par JI et ZHANG dans [JZ01], la vérification de signatures par Ramesh et Murty [RM99], le diagnostic médical par YANG et HONOVAR [YH97], la reconnaissance de visages par HO et HUANG [HH01], la reconnaissance de caractère optique par SHAMIK et DAS [SD01] et la reconnaissance des chiffres par GYEONGHWAN et SEKWANG [GS00]. Bien que cette procédure d'optimisation a été appliquée dans plusieurs domaines mais aucune application n'a traité l'écriture arabe.

            Dans le cadre de ce travail, nous proposons un système de reconnaissance des caractères arabes imprimés qui met en oeuvre le problème de sélection des primitives. L'objectif principal de notre approche est la réduction du nombre de caractéristiques utilisées tout en essayant de maintenir et/ou d'améliorer la performance de la classification du système de reconnaissance. Cet objectif est défini par une fonction objective à optimiser. Pour ce faire, il suffit de choisir une méthode d'optimisation qui peut être adaptée au problème à résoudre. La suite de ce mémoire décrit la conception et l'implémentation d'un système de reconnaissance des caractères arabes qui utilise une méthodologie optimale pour répondre aux exigences de sélection des primitives.

            3.3 Système proposé

            Dans cette section, nous commençons par présenter un vue globale sur notre sytème de reconnaissance proposé. Ensuite, nous traiterons chaque compsante par détails.

            3.3.1 Description générale

            Notre approche suggérée est basée sur un modèle analytique : Nous avons en entrée une image d'un texte arabe imprimé, cette image sera nettoyée par un processus de prétraitement qui comporte trois sous modules: un sous module de binarisation qui se charge de la conver-

            43

            CHAPITRE 3. CONTRIBUTIONS À LA RECONNAISSANCE DES CARACTÈRES

            ARABES IMPRIMÉS

            sion de l'image en entrée en une image bitonale, ensuite un sous module qui se charge de nettoyage de l'image, enfin cette même image passera à un autre sous module qui se charge de la squelettisation du texte. L'image obtenue va être segmenter en caractères (graphèmes). Par la suite, le processus d'apprentissage commence (figure-3.2).

            FIGURE 3.2 - Structure de la phase d'apprentissage

            Chaque lettre issue de la segmentation est représentée sur la base de données d'apprentis-sage sous quatre formes différentes (début, milieu, fin, isolée). Le vecteur de primitive obtenu sera optimisé en utilusant les AGs.Une fois la phase de sélection est terminée, l'apprentissage se lance.

            En ce qui concerne le sous système de reconnaissance, son objectif est la reconnaissance du texte : Nous avons en entrée une image bruitée d'un texte imprimé qui sera nettoyé par un processus de nettoyage comportant les mêmes modules cités ci-dessus. Ensuite, l'image prétraitée sera envoyée vers la segmentation. Une fois que nous avons eu une image segmentée, l'extraction des primitives commence. Le vecteur obtenu, suite à la sélection, va être reconnu par le réseau de neurone de type PMC. Une fois le caractère est reconnu, nous passons à la reconnaissance du sous-mots (mots), des lignes et enfin du texte. Le texte reconnu passera au module du post-traitement afin de valider les mots en solution et les évaluer. Si le vecteur est non reconnu, il sera ajouté à la base d'apprentissage du réseau.

            Par la suite, nous expliquerons en détail chaque composant de notre système et son processus de fonctionnement.

            3.3.2 Description détaillée

            Notre idée, pour la reconnaissance, se focalise sur l'ajout d'un module de sélection de primitives au modèle classique de reconnaissance. Les étapes suivies lors de la reconnaissance sont présentées dans la figure suivante :

            CHAPITRE 3. CONTRIBUTIONS À LA RECONNAISSANCE DES CARACTÈRES

            ARABES IMPRIMÉS

            44

            FIGURE 3.3 - Aperçu détaillé sur le système de reconnaissance

            3.3.2.1 Prétraitement

            L'objectif des prétraitements est de faciliter la caractérisation du texte à reconnaître en le nettoyant. Le prétraitement est une technique qui sert à préparer les données reçues à la phase de segmentation.

            - Binarisation : La binarisation est la première étape de prétraitement. Elle consiste à convertir une image numérisée en une image binaire. La binarisation permet de mieux distinguer les caractères du fond, elle consiste à attribuer à chaque pixel de l'image une valeur de 0 ou 1.

            - Filtrage : Après la binarisation de l'image, nous passons à l'élimination des bruits. Le filtre moyenneur est une méthode simple, intuitive et facile à mettre en oeuvre. Il réduit la quantité de variation d'intensité entre un pixel et l'autre. Il est souvent utilisé pour réduire le bruit dans les images. L'idée de filtrer moyenneur est de remplacer chaque valeur de pixel dans une image avec la valeur "moyenne" de ses voisins, y compris lui-même. Cela a pour effet d'éliminer les valeurs de pixels qui ne sont pas représentatives.

            CHAPITRE 3. CONTRIBUTIONS À LA RECONNAISSANCE DES CARACTÈRES

            ARABES IMPRIMÉS

            Souvent, un noyau carré 3 x 3 est utilisé. [HB02] prouve dans son papier, aprés le test de certains filtres, que le filtre moyenneur donne les meilleurs résultats sur l'écriture arabe.

            - Extraction des squelettes : La squelettisation consiste, par définition, à réduire la forme en un ensemble de courbes, appelées "squelettes", tout en respectant la topologie de la forme considérée. Il existe plusieurs algorithmes de squelettisation. Les Templates basés sur les algorithmes de squelettisations de type Marquer-et-Supprimer sont très populaires en raison de leurs fiabilités et leurs efficacités. Ils sont des algorithmes itératifs, qui érodent les couches extérieures de pixel jusqu'à il n'y a plus de couches qui peuvent être supprimées. L'une des manières d'obtenir la squelette est l'algorithme de Stentiford. L'algorithmee Stentiford tend à produire des lignes qui suivent bien les courbes, ce qui entraîne des vecteurs qui reflètent plus exactement l'image originale1. Il utilise quatre modèles de 3 x 3 pour numériser l'image. La figure ci-dessous montre ces quatre modèles :

            45

            FIGURE 3.4 - Modèles utilisés pour numériser une image dans l'algorithme Stentiford L'algorithme de Stentiford fonctionne comme suit :

            1. Trouver l'emplacement de pixel (j, i) où les pixels dans l'image correspondent à celui du squelette T1. Avec ce modèle, tous les pixels dans la partie supérieure de l'image sont éliminés en se déplaçant de la gauche vers la droite;

            2. Si le pixel central n'est pas un critère d'évaluation, et il a le numéro de la connectivité égale à 1, alors, ce pixel est marqué pour la suppression;

            3. Répétez les étapes 1 et 2 pour tous les emplacements de pixels correspondants à T1;

            4. Répétez les étapes 1 et 3 pour le reste des modèles : T2, T3 et T4. T2 correspond à des pixels sur le côté gauche de l'objet, déplaçant de bas en haut et de gauche à droite.

            1. http :// homepage.ntlworld.com/heatons/softsoft/wintopo/help/html/vectorise.htm

            46

            CHAPITRE 3. CONTRIBUTIONS À LA RECONNAISSANCE DES CARACTÈRES

            ARABES IMPRIMÉS

            T3 sélectionne des pixels le long du fond de l'image et se déplace de droite à gauche et du bas vers le haut. T4 localise les pixels sur le côté droit de l'objet, en se déplaçant de haut en bas et de droite à gauche;

            5. Définir en blanc les pixels marqués pour la suppression.

            3.3.2.2 Segmentation

            Après l'extraction de squelette, nous passons à la séparation des caractères,dite auusi segmentation. Notre proposition suppose que les textes ne contiennent pas des ligatures sauf

            ces deux types . L'algorithme de segmentation est expliqué dans la figure suivante :

            FIGURE 3.5 - Processus de segmentation

            - Localisation des lignes de texte : La première étape de la segmentation, après la squelettisation de la page, est la détection de tous les lignes et les segmenter en des lignes séparées. La séparation en lignes se base sur la projection horizontale de l'image de texte [Feh99, HB02]. L'image étant codée sous forme de segments noirs et blancs, l'histogramme de la projection horizontale est calculé par addition des largeurs de segments noirs pour chaque ligne d'image. Les lignes de pixels sont d'abord regroupées en bloc de lignes ayant un histogramme horizontal non nul. Les blocs sont séparés par des lignes de pixels à histogramme nul. L'algorithme suivi pour obtenir des lignes séparées est le suivant :

            1. Obtenir la projection horizontale de l'image de la page;

            2. Trouver toutes les positions verticales de tous les pics dans la projection horizontale;

            47

            CHAPITRE 3. CONTRIBUTIONS À LA RECONNAISSANCE DES CARACTÈRES

            ARABES IMPRIMÉS

            3. Obtenir les pics représentant les positions des lignes de base de lignes dans la page;

            4. Chercher au-dessus de chaque ligne de base détectée la plus faible densité de pixels, et marquer cette position comme la limite supérieure de la ligne (X1);

            5. Rrechercher la position au dessous de la ligne de base la plus basse densité de pixels, et la marquer comme la limite inférieure de la ligne (X2);

            6. Répétez l'opération pour chaque ligne de base détectée.

            - Segmentation en mots /sous-mots : Après la séparation des lignes, nous passons à la localisation des sous mots (ou mots) et des points diacritiques. [EI01] proposent la méthode Bounding Box pour l'obtention des sous mots et des points diacritiques séparés. L'algorithme utilisé pour obtenir les composantes connexes est une simple procédure itérative qui compare les lignes par balayages successives des lignes de l'image afin de déterminer si les pixels noirs dans n'importe quelle paire de lignes sont connectés ensemble. Les rectangles de délimitation sont étendus pour inclure tout regroupement de pixels noirs connectés par balayage successives des lignes. La figure suivante décrit les étapes suivies pour la lettre »Ta» :

            FIGURE 3.6 - Processus de construction des composantes connexes à partir de balayage de lignes d'image »Ta»

            L'algorithme, comme illustré dans la figure ci-dessus, est le suivant :

            48

            CHAPITRE 3. CONTRIBUTIONS À LA RECONNAISSANCE DES CARACTÈRES

            ARABES IMPRIMÉS

            1. Tout d'abord, tous les pixels noirs sont scannés et représentés par un petit rectangle;

            2. Dans chaque rangée, les limites qui se croisent sont fusionnées en un seul rectangle;

            3. De même, les limites qui se croisent verticalement sont fusionnées en un seul rectangle;

            4. Les étapes [2] et [3] sont répétées jusqu'à ce qu'aucune autre fusion ne soit possible.

            La distinction entre les sous-mots et les signes diacritiques se fait simplement en vérifiant si la ligne base passe par une boîte englobant ou non. Si la boite englobante est située sur la ligne de base alors c'est un sous-mot, si non c'est un signe diacritique.

            - Segmentation en caractères : Nous avons utilisé une méthode simple pour la séparation des caractères. C'est l'histogramme de projection verticale. La plupart des caractères arabes se connectent le long de la ligne de base principale. Les caractères causent une irrégularité dans l'histogramme de projection verticale. L'étape de segmentation de caractères tente à segmenter chaque sous-mot à un certain nombre de segments. Chaque segment peut représenter une seule lettre arabe ou seulement une partie d'une lettre arabe (graphème). La segmentation d'un sous-mot est réalisée en quatre étapes principales :

            1. Retirez tous les signes diacritiques existants dans le sous-mot; Comme tous les composants étaient précédemment classés en sous-mots et signes diacritiques. La suppression des signes diacritiques se réalise en effaçant tous les pixels à l'intérieur des boîtes englobant qui ont été classés comme signes diacritiques;

            2. Analyser chaque colonne de pixels dans l'image du sous-mot. Si une colonne de pixels comprend un seul pixel qui se trouve sur la ligne de base inférieure, marquer ce point comme un des points où il est possible de faire une coupe de segmentation;

            3. Obtenir la projection verticale de l'image sous-mot. Rechercher tous les pics dans la projection et marquer leurs positions comme des positions où la segmentation est nécessaire. Ce sont des positions où l'irrégularité dans le texte se produit et indique la détection d'un nouveau caractère;

            4. A chaque position où la segmentation est nécessaire, nous recherchons dans la direction droite le point le plus proche où il est acceptable d'appliquer une coupe. La segmentation, est donc faite à cette position.

            Notez qu'une coupe de segmentation est faite au plus gauche de sous-mot et que tout sous-mot doit inclure au moins un segment.

            CHAPITRE 3. CONTRIBUTIONS À LA RECONNAISSANCE DES CARACTÈRES

            ARABES IMPRIMÉS

            3.3.2.3 Extraction des primitives

            L'extraction des paramètres a pour objectif non seulement la réduction de dimension de l'espace de représentation, mais aussi l'amélioration de la classification des formes à recon-naitre. Nous avons sélectionné des paramètres pour le codage du segment de caractère. Ces paramètres sont décrits ci-dessous.

            - Technique de fenêtre glissante : Le principal avantage de ce type des primitives est la simplicité et l'efficacité [SKJ+09]. Ils nécessitent, généralement, un seul passage à travers les pixels. Chaque image du caractère est transformée en une séquence de vecteurs de caractéristiques calculée à partir d'une fenêtre glissante de taille N pixels. Dans notre cas, la fenêtre d'analyse se déplace de gauche vers la droite et de hauts vers le bas.

            49

            FIGURE 3.7 - Extraction de vecteurs de primitives avec des fenêtres glissante: (a) horizontale et (b) verticale

            La méthode de représentation mentionnée précédemment est une représentation générale et peut être appliquée sur n'importe quelle image. En particulier, les caractères arabes ont des caractéristiques qui peuvent être utilisées comme des descripteurs.

            - Existence des boucles : Les caractères arabes peuvent être classés en deux catégories : Les caractères qui comprennent des boucles et des autres qui ne les comprennent pas. L'existence des boucles dans certains caractères dépend aussi de la position de ces derniers au sein d'un sous-mot (initial, milieu, final, isolé). Par exemple, un "Meem" dans sa position initiale et milieu comprend une boucle, tandis que dans sa position finale et isolée ne la comprend pas. Les caractères qui incluent les boucles sont énumérés en fonction de leurs positions dans le tableau suivant :

            CHAPITRE 3. CONTRIBUTIONS À LA RECONNAISSANCE DES CARACTÈRES

            ARABES IMPRIMÉS

            TABLE 3.1 - Existence de boucle dépendant de la position du caractère

            La détection de l'existence des boucles dans un caractère arabe est réalisée en utilisant l'algorithme flood fill. L'algorithme de remplissage par diffusion prend trois paramètres : un noeud de départ, une couleur cible et une couleur de remplacement. L'algorithme cherche pour tous les noeuds qui sont connectés au noeud de départ par un trajet de la couleur cible et les transforme en couleur de remplacement.

            Algorithm 3.1 L'algorithme flood fill

            - Caractères ascendants et descendants : Certains caractères arabes remontent au-dessus de la ligne de base supérieure. Ces caractères sont les suivants :

            Il existe, aussi, des caractères qui descendent au dessous de la ligne de base. Ces caractères sont les suivants :

            50

            CHAPITRE 3. CONTRIBUTIONS À LA RECONNAISSANCE DES CARACTÈRES

            ARABES IMPRIMÉS

            Les caractères arabes descendants peuvent également être reconnus par la mesure de la distance d'un segment au dessous de la ligne de base. Aussi que les caractères ascendants peuvent être reconnus par la mesure de la distance dessous de la ligne de base.

            - Largeur des caractères : Lorsque nous utilisons des polices différentes, des formes différentes du même caractère ont des différentes largeurs. La largeur de chaque segment de caractère est considérée parmi les autres caractéristiques extraites pour construire le vecteur de primitives.

            Parmi les critères qui assurent une utilisation efficace des informations dans les vecteurs de paramètres l'indépendance au sens du non redondance. Pour assurer ce critère, nous proposons dans la section suivante une technique de sélection des primitives.

            3.3.2.4 Sélection des primitives

            Notre contribution vise à effectuer une sélection de primitives pertinentes. Ces primitives sont représentées dansun de taille N. Pour résoudre ce problème, nous utilisons les AGs. Il faudra donc trouver M primitives telles que M < N. Les étapes de construction d'un AG utilisé sont :

            - Le codage des chromosomes : Nous avons choisit le codage binaire. Cela signifie que le chromosome sera sous la forme d'une chaîne binaire. La présence du bit 1 signifie que la primitive est sélectionnée et la présence du bit 0 signifie que la primitive ne l'est pas. La taille du chromosome est identique à la taille du vecteur de primitives, soit N la taille du ce vecteur.

            51

            FIGURE 3.8 - Exemple de codage d'un vecteur de primitives

            - La définition de la fonction d'adaptation : La fonction d'adaptation est une somme pondérée des fonctions objectives. Le premier objectif consiste à minimiser le nombre

            52

            CHAPITRE 3. CONTRIBUTIONS À LA RECONNAISSANCE DES CARACTÈRES

            ARABES IMPRIMÉS

            de primitives. Le deuxième consite à minimiser le taux d'erreu générerr lors de la classification. Alors, la fonction d'adaptation est une combinaison des deux fonctions à minimiser. Cette fonction est décrite par la formule (3.1).Chaque chromosome de la population sera évalué par cette dernière.

            Fitness = Minimiser (á f1 + o f2) (3.1)

            f1 : Le taux d'erreur générer lors de la classification;

            f2 : Le rapport entre le nombre de primitives sélectionnées du chromosome et le nombre de primitives total ;

            á : Paramètre en fonction de la normalisation ;

            o : Paramètre en fonction de la pondération.

            Les deux paramètres á et o sont fixés arbitrairement à 1000 et 1 en se basant sur les travaux dans le domaine de reconnaissance des chiffres [Ben02]. La technique utilisée pour trouver ces valeurs est la suivante :

            á = c1.w1 et o = c2.w2 (3.2)

            ci : est le paramètre de normalisation de l'objectif fi.

            wi : est le paramètre de pondération de l'objectif fi avec I wi = 1 Après remplacement de á et o, l'équation (3.1) devient :

            f = Minimiser (c1.w1.f1 + c2.w2.f2) (3.3)

            Puisque w1 + w2 = 1, nous obtenons :

            w1c1

            f2 =

            -w2c2

            f

            f1 + (3.4)
            w2c2

            La pente de la fonction f2 est w1c1 w2c2. Notre but est de minimiser la fonction d'adaptation alors la valeur de cette pente doit être petite. L'objectif le plus important pour notre problème est de diminuer le nombre des primitives, alors, la plus grande importance est donnée à la fonction objective f2 au lieu de f1. D'où le choix des valeurs de á et de o est respectivement 1000 et 1. D'ou, les pondérations de chacun des objectifs sont :

            w1 = 0.3 et w2 = 0.7 (3.5)

            53

            CHAPITRE 3. CONTRIBUTIONS À LA RECONNAISSANCE DES CARACTÈRES

            ARABES IMPRIMÉS

            3.3.2.5 Reconnaissance

            Il est évident de passer par la phase d'apprentissage avant la phase de reconnaissance. Dans cette phase, les segments de caractères sont divisés en quatre ensembles en fonction de la position d'un caractère segment (initiale, médiale, finale et isolée). Ces segments sont issus de la phase de segmentation. La distinction de la position des segments s'effectue manuellement. Cette répartition a plusieurs avantages. Elle améliore le processus de reconnaissance, car chaque segment est pré-classée par sa position dans un sous-mot. cette modélisation nécessite une grande capacité de stockage, mais cet inconvénient est négligeable face à l'amélioration des performances du système [Feh99]. Chaque segment de caractères est appris (puis reconnu) à l'aide d'un réseau de neurone distinct, d'où nous avons quatre réseaux de neurones (initiale, médial, final, isolé) à former, pour être utilisées plus tard dans le processus de reconnaissance.

            La phase de reconnaissance passe par trois niveaux : la reconnaissance des caractères, des sous-mots, des lignes et enfin du texte.

            - Reconnaissance des caractères : Après la reconnaissance du corps de caractères, nous devons passer à la phase d'assemblage corps/caractère. La reconnaissance des signes diacritiques se réalise à la base des caractéristiques géométriques extraites de chaque diacritiques. Nous attribuions à chaque signe diacritique un code en fonction des caractéristiques géométriques et sa position par rapport à la ligne de base (au-dessus, au-dessous). Après que chaque segment de caractère a été associé à un signe diacritique, la cohérence de chaque combinaison est vérifiée. Par exemple, un caractère " " ne peut pas être associée avec un "deux points" diacritique, alors nous pouvons conclure que le caractère à reconnaitre est " ", mais il était mal classés. Cela peut être représenté comme un automate comme le montre la figure suivante :

            FIGURE 3.9 - Un automate utilisé pour corriger les signes diacritiques de caractère "Waw" - Reconnaissance des sous mots : Les caractères reconnus sont regroupés pour

            54

            CHAPITRE 3. CONTRIBUTIONS À LA RECONNAISSANCE DES CARACTÈRES

            ARABES IMPRIMÉS

            reconstruire un sous-mot selon les positions de segments de caractères dans l'image de sous-mot. Certains segments de caractères peuvent être des sous-mots.

            - Reconnaissance des lignes : Les lignes de texte en arabe sont composées des mots où chaque mot est composé d'un ou plusieurs sous-mots. Dans un texte arabe imprimé,

            la taille d'espace inter-mots est supérieure à celui de l'espace entre les sous-mots.

            FIGURE 3.10 - Détection des espaces dans une ligne

            Par conséquent, il existe une valeur de seuil qui peut être utilisé pour établir une distinction entre l'espace inter-mots et l'espace inter-sous mot. Un algorithme simple est utilisé pour déterminer cette valeur seuil. Cet algorithme passe par les étapes suivantes :

            1. Déterminer toutes les distances des espaces au sein d'une ligne;

            2. Disposer ces distances dans l'ordre décroissant;

            3. Obtenir la différence entre chacune des deux valeurs successives;

            4. Obtenir la différence maximale;

            5. Obtenir les deux distances d'espaces donnant cette différence maximale;

            6. Considérer la plus grande valeur de ces deux distances comme la valeur de seuil.

            Une fois que la valeur seuil est obtenue, les mots et les sous-mots sont alignés sur une seule ligne, et les espaces blanc sont insérés entre eux selon ce seuil.

            - Reconnaissance de la page : Après la reconnaissance des lignes, elles sont toutes regroupées dans un texte selon la position de chaque ligne dans l'image de page originale.

            3.3.2.6 Post traitement

            Afin de vérifier l'exactitude des mots et sous-mots reconnus, un modèle prédéfini vocabulaire est utilisé. L'existence de chaque mot (ou sous-mot) est vérifiée dans le vocabulaire. Si un mot n'est pas trouvé, il est remplacé par le mot le plus proche dans le vocabulaire.

            55

            CHAPITRE 3. CONTRIBUTIONS À LA RECONNAISSANCE DES CARACTÈRES

            ARABES IMPRIMÉS

            Conclusion

            L'objectif de notre contrubition consiste à minimiser le nombre de primitives sélectionnées tout en améliorant ou en maintenant le taux de reconnaissance du système. La méthode des AGs est utilisée pour assurer cette minimisation. L'utilisation de l'approche Filter décrite à la section 3.2.2 consiste à éffectuer une sélection de primitives pertinentes, par la suite, l'apprentissage se lance.

            Dans ce chapitre, nous avons présenté notre contribution sous forme d'un diagramme décrivant les différents composants qui la forme. Puis nous avons détaillé chaque processus à part. Dans le chapitre suivant, nous effectuons une étude expérimentale de notre système. Et nous mettons en évidence l'apport de notre approche.

            Chapitre4

            Expérimentation et évaluation

            L

            A sélection des primitives est une étape importante dans un système de reconnaissance

            de formes. Cette sélection est considérée comme un problème d'optimisation. Les algo-
            rithmes génétiques sont utilisés pour résoudre ce problème de sélection des primitives dans notre système proposé.

            Après avoir décrit notre contribution et spécifié les différents besoins de notre application, ce chapitre traite les résultats expérimentaux relatifs à notre approche. Nous commençons par décrire les différentes méthodes d'évaluation d'un OCR. Ensuite, nous illustrons les différentes étapes de notre système de reconnaissance appliquées sur une image d'un texte arabe imprimé. Nous discutons le choix des paramètres de l'algorithme génétique. Enfin, une évaluation des résultats obtenus est présentée.

            4.1 Méthodes d'évaluation d'un OCR

            Bien que plusieurs efforts sont déployés afin de développer un système de reconnaissance d'écriture arabe avec des bonnes performances, certains problèmes persistent encore. En effet, aucun système n'est parfait. La méthode d'évaluation se fait en se basant sur le type d'information qu'on souhaite extraire d'un OCR [BC06]. Si l'OCR est considéré comme une boîte noire de la quelle seul le résultat de la reconnaissance des mots est accessible, l'évaluation est faite de manière globale. Dans le cas où nous disposons d'une information plus précise, nous pouvons affiner la mesure de la performance. Deux méthode d'évaluation sont alors utilisées dans la littérature : évaluation globale et évaluation locale.

            57

            CHAPITRE 4. EXPÉRIMENTATION ET ÉVALUATION

            4.1.1 Evaluation globale

            Dans l'évaluation de boîte noire, un système OCR est traité comme une unité indivisible. La seule évaluation possible est de calculer le taux d'erreur ou le taux de reconnaissance. Pour se faire, nous avons besoin de trouver les erreurs. Cela revient à mesurer, par mise en correspondance entre les couples de chaînes de références et de résultats, les ajouts, les suppressions et les substitutions [BC06].

            4.1.2 Evaluation locale

            L'évaluation boîte blanche, caractérise la performance de sous-modules individuels. La plupart des systèmes d'OCR ont des sous-modules de détection et de correction d'inclinaison, la page la segmentation, classification de zone, et l'extraction de texte. L'évaluation boîte blanche n'est possible que si l'évaluateur a accès à l'entrée et la sortie des sous-modules du système de reconnaissance. Ainsi pour évaluation de la segmentation, l'accès aux coordonnées des zones produites par OCR est essentiel.

            Tandis que l'évaluation de boîte noire ne nécessite pas l'accès aux résultats intermédiaires, elle ne fournit pas l'analyse de la performance au niveau sous-module. En outre, les évaluations décrites dans la section-4.3 ne déterminent que le taux de reconnaissance de système.

            4.2 Expérimentation

            Contrairement aux chiffres et à l'écriture latine pour lesquels des bases d'images sont disponibles depuis un certain nombre d'année (NIST, CEDAR. . .), ils n'existent actuellement que quelques bases d'images des documents arabes. Vu à l'indisponibilité totale de bases d'images de textes arabes au début de notre étude, nous avons commencé par la construction d'une petite base pour valider l'approche proposée.

            Dans ce qui suit, nous présentons un exemple détaillé sur les étapes suivies par notre système de reconnaissance. L'image en entrée est présentée dans la figure-4.1 :

            58

            CHAPITRE 4. EXPÉRIMENTATION ET ÉVALUATION

            FIGURE 4.1 - Image de test

            .

            4.2.1 Prétraitement

            Le premier module qui traite l'image est le module de prétraitement. Il contient un sous module de binarisation, un sous module de filtrage et un sous module de squelettisation. Ce module accepte comme entrée une image numérisée de la page du document de la part de l'utilisateur. Nous obtenons, suite à la l'application de ce module, l'image suivante (figure-4.2) :

            FIGURE 4.2 - Extraction de squelette

            Ce module peut engendrer un plus d'amincissement qui cause une perte de données. Après l'obtention du squelette. La phase suivante est la segmentation.

            CHAPITRE 4. EXPÉRIMENTATION ET ÉVALUATION

            4.2.2 Segmentation

            La phase de segmentation est composée de trois étapes : la segmentation en ligne, la séparation des mots (sous-mots) et des signes diacritiques et enfin la segmentation en caractères.

            - Segmentation en lignes : Ce module accepte comme entrées la squelette du document texte issue de la squelettisation. Son but est de détecter les lignes dans l'image puis les séparer. La figure-15 présente le résultat de la phase de segmentation en ligne. La ligne bleu présente la ligne de base et la ligne rose présente la ligne de base supérieure.

            FIGURE 4.3 - Segmentation en ligne

            La destination des lignes séparées obtenues est la segmentation en mots (sou-mots).

            - Segmentation en PAW : Ce sous module détecte toutes les formes connectées dans l'image des lignes. Il se charge de les classer en sous-mots et signes diacritiques. Les mots sont encadrés en vert et les signes diacritiques sont encadrés en rouge tel qu'il est présenté dans la figure suivante :

            FIGURE 4.4 - Séparation des mots et détection des signes diacritiques

            59

            60

            CHAPITRE 4. EXPÉRIMENTATION ET ÉVALUATION

            Notant que ce sous module se déroule dans un temps d'exécution un peut long.

            - Segmentation en caractères : Suite à la détection des sous-mots et des signes diacritiques, nous passons à la séparation des caractères. L'entrée de ce sous module est un mot (sous-mot) issue de la phase de segmentation précédente. Au cours de la segmentation, nous avons observé dans certain caractères une sur-segmentation et/ou une sous-segmentation.

            - Sous-segmentation: La sous-segmentation se produit seulement lors de la segmentation de la ligature " ", comme l'illustre la figure-4.5. La ligature "Lam Alef" est une combinaison des deux caractères, "Lam" et "Alef". Cette forme est considérée comme un seul caractère. Nous avons attribué, à cette forme, un code distinct qui lui sera associé plus tard à la phase de reconnaissance.

            FIGURE 4.5 - Sous-segmentation du caractère"Lam Alef"

            - Sur-segmentation : La sur-segmentation est observée dans les caractères "Sad" et "Sin" dans leurs différentes positions. La figure-4.6 présente la sur-segmentation de ces caractères dans leurs positions initiales. Ce problème a été également résolu en attribuant à chaque forme sur-segmentée un code distinct. Il faut prendre soin de ces formes dans le processus de reconnaissance.

            FIGURE 4.6 - Sur-segmentation des caractères " Sad"et " Sin "

            La sur-segmentation est, également, remarquée dans certains caractères isolés et finals qui se terminent avec une petite courbe comme le montre la Figure-4.7 (La courbe ignorée est colorée en jaune). Cette problématique est résolue en ignorant cette courbe, seulement la première partie du caractère est prise en considération.

            61

            CHAPITRE 4. EXPÉRIMENTATION ET ÉVALUATION

            FIGURE 4.7 - Sur-segmentation des caractères isolés

            4.2.3 Extraction des primitives

            La définition des primitives lors de l'extraction est la partie la plus importante dans le système de reconnaissance. Les chercheurs ont observé que meilleure solution est d'utiliser plusieurs approches d'extraction afin de donner une meilleure description de la forme à classer. De ce fait, plusieurs méthodes ont été utilisées pour représenter les segments de caractères, dans notre système, comme expliqué dans le chapitre précédent. Le vecteur des caractéristiques utilisé pour la reconnaissance de caractères est structuré comme suit :

            - 10 primitives issues du parcours horizontal de l'image de caractère par une fenêtre glissante;

            - 10 primitives issues du parcours vertical de l'image de caractère par une fenêtre glissante;

            - 7 primitives spécifiques à l'écriture arabe.

            Les sept descripteurs de caractère, qui caractérisent les caractères arabes, sont calculés comme suit :

            - Existence de boucle : Après application de l'algorithme Floud-fill, les segments de caractères qui ne comprennent pas des boucles seront complètement colorés, alors que ceux qui comprennent des boucles seront partiellement colorés et la couleur de la boucle reste inchangée, comme illustré dans la figure 4.8.

            FIGURE 4.8 - La détection des boucles par l'algorithme Flood-fill

            Afin de normaliser le descripteur d'existence des boucles, le rapport entre le nombre de pixels qui représentent la boucle et le nombre de pixels qui représentent le caractère est calculé. Ce rapport est considéré comme une caractéristique de description.

            62

            CHAPITRE 4. EXPÉRIMENTATION ET ÉVALUATION

            - La distance descendante et la distance ascendante : La distance (descen-dante/ascendante) est mesurée par la distance d'un segment ascendant ou descendant par rapport à la ligne de base, comme illustré dans la figure 4.9.

            FIGURE 4.9 - Mesure de la distance acendante et descendante

            Afin de normaliser cette distance, elle est divisée par la taille de la ligne à la quelle le segment appartient.

            - La largeur des caractères : Cette mesure permet de localiser les pixels noirs dans la lettre. Nous obtenons le nombre de pixels noirs : haut, bas, gauches et droits. Afin

            de normaliser ces valeurs, elles sont divisées par la taille de segment de caractère.

            FIGURE 4.10 - Larguer du caractère

            Nous avons proposé une approche hybride pour la reconnaissance des caractères arabes imprimés. Cette technique offre l'avantage de sélectionner les primitives les plus représentatives ce qui améliore la qualité de reconnaissance. La sélection des primitives sera détaillée dans la section suivante.

            63

            CHAPITRE 4. EXPÉRIMENTATION ET ÉVALUATION

            4.2.4 Sélection des primitives

            La sélection des primitives permet de réduire le nombre de primitives N en M primitives telle que M N. Les AGs sont utilisés pour résoudre ce type de problème de sélection des primitives. Les paramètres de l'AG pris par défaut sont :

            TABLE 4.1 - Choix de paramètres de l'algorithme génétique

            Paramètres de l'AG

            Valeurs choisies

            Codage du chromosome

            Binaire

            Taille du chromosome

            27

            Taille de la population

            100

            Nombre de génération

            1000

            Initialisation de la population

            Aléatoire

            Technique de sélection

            Roulette Biaisé

            Fonction objectif

            Minimiser le nombre des bits à 1

            Technique de Croisement

            Croisement à 1-point de coupure

            Technique de Mutation

            Opérateur d'échange réciproque

            Insertion

            Elitisme

            Critère d'arrêt

            Nombre de générations maximales

            Dans le cadre de notre travail, nous avons effectué plusieurs expériences pour déterminer les paramètres de l'AG tels que : la taille de la population et les probabilités de mutation et de croisement. Ces expériences sont décrites dans la section suivante.

            - Probabilité de Croisement Pcross :

            La méthode de croisement, que nous avons utilisé est le croisement à un point de coupure. Pour déterminer le choix de la probabilité de croisement Pcross, nous avons varié les valeurs entre 0.6 et 0.7. L'ensemble des probabilités de croisement que nous avons utilisé est{0.6, 0.65, 0.7}.

            64

            CHAPITRE 4. EXPÉRIMENTATION ET ÉVALUATION

            FIGURE 4.11 - Courbe représentant l'évaluation du Fitness dans le cas de probabilité de mutation Pmut= 0.04 et une variation de probabilité de croisement Pcross

            Une constatation peut être faite concernant le Pcross = 0.6 est que la fonction d'adaptation n'atteignent pas la solution optimale . Au temps qu'elle est atteinte dans le cas des Pcross = 0.7et Pcross= 0.65. Nous pouvons remarquer que la convergence est plus lente quand la probabilité de croisement Pcross est égale à 0.7. La solution optimale est obtenue quand une valeur qui tend vers zéro de la fonction d'adaptation est atteinte, celle-ci est observée à

            Pcross = 0.65.

            Dans la partie suivante, la probabilité de croisement est fixé à Pcross = 0.65.

            - Probabilité de Mutation Pmut : Nous avons utilisé la technique de mutation à échange reciproque pour construire notre AG. Pour déterminer le choix de la probabilité de mutation Pmut, nous avons varié les valeurs entre 0.02 et 0.04. L'ensembles des probabilités de mutation que nous avons utilisé est { 0.02, 0.03, 0.04 }.

            65

            CHAPITRE 4. EXPÉRIMENTATION ET ÉVALUATION

            FIGURE 4.12 - Courbe représentant l'évaluation du Fitness dans le cas de probabilité de croisement Pcross = 0.65 et une variation de probabilité de mutation Pmut

            Une constatation peut être faite concernant la fonction d'adaptation est que celle ci atteint la solution optimale dans le cas de Pmut= 0.03.

            Après certaines expériences, afin de choisir la probabilité de croisement et de mutation, les valeurs choisies sont égales respectivement à Pcross = 0.65 et Pmut = 0.03, car la vitesse de convergence est plus rapide avec ces valeurs.

            - Taille de la population initiale :

            Dans le même contexte, nous avons effectué des expériences pour observer l'influence de la taille de la population. Nous avons utilisé les paramètres prédéfinis initialement (Tableau-4.1) et les résultats des expériences précédentes : le croisement à 1-point de coupure avec la probabilité Pcross = 0.65 et la mutation à échange réciproque avec la probabilité Pmut = 0.03

            .

            Nos résultats obtenues sont basés sur une population initiale de 100 individus, nous avons effectué des expériences avec une population de plus grande taille, c'est-à-dire une population de 200 individus. La figure-4.13 représente l'évaluation moyenne de la fonction Fitness sur notre population choisie et sur une population plus élargie.

            66

            CHAPITRE 4. EXPÉRIMENTATION ET ÉVALUATION

            FIGURE 4.13 - Comparaison de la convergence du Fitness pour deux populations de tailles différentes

            Nous avons observé, que la vitesse de convergence des deux populations, est presque la même. La solution optimale est atteinte à la 800ème génération (figure-4.13). Donc, il est mieux d'utiliser une population de taille égale à 100 individus au lieu de 200 car le temps de calcul pour une population de grande taille est plus lent.

            Ces expériences nous ont permis de fixer certaines valeurs des paramètres. Ces derniers concernent le choix des valeurs des probabilités des opérateurs de mutation et de croisement et l'influence de la taille de la population. Ces valeurs obtenues combiner avec les valeurs prédéfinis initialement (Tableau-4.2) seront utilisés pour la sélection de primitives.

            67

            CHAPITRE 4. EXPÉRIMENTATION ET ÉVALUATION

            TABLE 4.2 - Paramètres finales de l'algorithme génétique

            Paramètres de l'AG

            Valeurs choisies

            Codage du chromosome

            Binaire

            Taille du chromosome

            27

            Taile de population

            100

            Nombre de générations

            1000

            Initialisation de la population

            Aléatoire

            Technique de Sélection

            Roulette Biaisé

            Fonction Objectif

            á f1 + 3 f2(voir-3.2.4)

            Technique de Croisement

            Croisement à 1-point de coupure

            Probabilité de Croisement

            Pcross = 0.65

            Technique de Mutation

            Opérateur d'échange réciproque

            Probabilité de Mutation

            Pmut = 0.03

            Insertion

            Elitisme

            Critère d'arrêt

            Nombre de générations maximales

            Après le choix final des paramètres de l'AG, la sélection des primitives se lance. La figure suivante représente la répartition des individus, qui représentent les vecteurs de primitives, d'une population de taille 100 pour une première génération figure-4.14(a) et après 1000 générations figure-4.14(b).

            FIGURE 4.14 - Distribution des individus dans l'espace de recherche

            Nous observons que les individus deviennent de plus en plus ordonnés d'une génération

            68

            CHAPITRE 4. EXPÉRIMENTATION ET ÉVALUATION

            à une autre. Le nombre de primitive sectionnée vari tend vers 20 après 1000 générations. L'objectif de la sélection des primitives pertinentes a été atteint car les résultats obtenus par l'approche de la sélection des primitives par les AGs sont satisfaisants. Nous avons pu supprimer 25% de nombre de primitives. En effet, le nombre de primitives a diminué de 7, passant de 27 à 20 primitives pertinentes.

            4.2.5 Apprentissage

            Puisque un caractère arabe peut avoir des différentes formes en fonction de sa position dans un sous-mot (un mot) , alors, les segments résultants du processus de segmentation ont également de différentes formes selon leurs positions dans le sous-mot. Ils existent quatre types de segments, illustrés à la figure-4.15 :

            FIGURE 4.15 - Les positions possibles des caractères dans un mot

            Les segments de caractères sont divisés en quatre ensembles en fonction de leurs positions dans le sous-mot (initiale, milieu, finale et isolée) comme mentionné dans l'annexe. Chaque segment de caractère est appris (puis reconnu) à l'aide d'un réseau de neurones distincts, d'où nous avons quatre réseaux de neurones (initiale - milieu - final - isolé) à former, pour être utilisées plus tard dans le processus de reconnaissance.

            Il existe de nombreuses techniques pour déterminer le choix de des paramètres du réseau de neurone. Dans tous les cas, un nombre d'essai est nécessaire pour déterminer la structure optimale. Pour l'apprentissage du perceptron multicouche nous avons utilisé l'algorithme de rétropropagation du gradient. Le réseau contient une seule couche caché car la plupart des chercheurs disent qu'avec une couche cachée, le réseau est capable, avec un nombre suffisant de neurones, d'approximer toute fonction continue1. Pour déterminer le nombre de noeuds dans cette couche nous avons utilisé l'heuristique suivante :

            \/

            H = M2 + N2 (4.1)

            1. http :// cict.fr/~stpierre/reseaux-neuronaux/node17.html

            69

            CHAPITRE 4. EXPÉRIMENTATION ET ÉVALUATION

            Avec H : Nombre des noeuds dans la couche cachée;

            M : Nombre des noeuds d'entés;

            N : Nombre des noeuds de sortis.

            Après expérimentation, cette heuristique qui a été déjà testée par des autres chercheurs2 nous a donné des bons résultats. La structure des quatre réseaux utilisés, ainsi que leurs paramètres de formation sont énumérés dans le tableau-4.3.

            TABLE 4.3 - Paramères des réseaux

             

            Types du réseaux

             

            Isolée

            Initiale

            Milieu

            Finale

            Nombre de noeuds dans la couche d'entrée

            27

            27

            27

            27

            Nombre de noeuds dans la couche cachée

            31

            29

            29

            30

            Nombre des noeuds dans la couche de sortie

            16

            11

            11

            14

            Momentum

            0.4

            0.4

            0.4

            0.4

            Fonction d'activation (voir-2.4)

            Sigmoïde

            Sigmoïde

            Sigmoïde

            Sigmoïde

            Nombre des cycles

            3000

            3000

            3000

            3000

            Signal d'erreur

            0.006

            0.006

            0.006

            0.006

            L'apprentissage des réseaux est effectué en utilisant les paramètres décrits au tableau-4.3. Le nombre de cycles vont servir comme critère d'arrêt de l'apprentissage. Lorsque un sur-apprentissage est rencontré l'apprentissage des réseaux s'arrête si non l'algorithme se répète jusqu'à atteindre le nombre de cycles maximal.

            L'ensemble d'apprentissage a été généré en utilisant le module d'extraction de caractéristiques et leurs reconnaissance a été faite manuellement. Les entrées et les classes ont été, ensuite, introduites dans leurs correspondants des réseaux de neurones dans MATLAB. Elles sont utilisées pour former les quatre réseaux tels qu'il est illustré dans la figure 4.1.

            2. http :// cict.fr/~stpierre/reseaux-neuronaux/node18.html

            70

            CHAPITRE 4. EXPÉRIMENTATION ET ÉVALUATION

            FIGURE 4.16 - Apprentissage du réseau perceptron multicouche

            4.2.6 Reconnaissance

            Les segments de caractères ont été divisés en quatre ensembles en fonction de leurs positions dans le sous-mot comme mentionné dans l'annexe. Chaque segment de caractères est reconnu à l'aide d'un réseau de neurone distinct, selon sa position dans le mot (figure-4.17).

            FIGURE 4.17 - Reconaissance du segments du caractère

            Les signes diacritiques jouent un rôle très important dans la lecture du texte arabe. Le processus de reconnaissance des signes diacritiques est basé sur les caractéristiques géométriques de chaque type de diacritique. Nous avons attribué à chaque signe diacritique un code en fonction de ces caractéristiques géométriques et sa position par rapport à la ligne de base. Ces caractéristiques sont présentées dans le tableau suivant :

            71

            CHAPITRE 4. EXPÉRIMENTATION ET ÉVALUATION

            TABLE 4.4 - Caractéristiques des signes diacritiques

            Diacritiques

            Position

            Les caractéristiques
            géométriques

            Code
            Assignées

            Acune signe

            ***

            ***

            0

             

            Au dessus de la ligne
            de base

            un seul pixel

            1

             

            Au dessous de la
            ligne de base

            Largeur égale à la
            hauteur

            2

             

            Au dessus de la ligne
            de base

            La largeur est toujours

            3

             

            Au dessous de la
            ligne de base

            supérieure à la hauteur

            4

             

            Au dessus de la ligne
            de base

            Non reconnu
            directement

            5

             

            Au dessus de la ligne
            de base

            La hauteur est plus
            grande ou égale à la
            largeur

            6

             

            Au dessous de la
            ligne de base

            une fourche peut exister

            7

             

            Au dessus de la ligne
            de base

            La hauteur est plus
            grande ou égale à la
            largeur

            une fourche ne peut pas
            exister

            8

            Le code (0) est attribué aux segments de caractères qui ne portent pas des signes diacritiques. Chaque diacritique est associée à l'un des segments de caractères classés en fonction des règles linguistiques (voir-3.3.2.5). Les segments de caractères avec leurs signes diacritiques associés sont regroupés pour reconstruire les sous-mots (figure-4.18) selon les positions de ces segments dans l'image.

            FIGURE 4.18 - Image du mot et le mots reconnu

            CHAPITRE 4. EXPÉRIMENTATION ET ÉVALUATION

            Les sous-mots sont, ensuite, regroupés pour former les lignes de texte. La figure-4.19 présente un exemple de reconnaissance d'une ligne de texte.

            FIGURE 4.19 - Image de la ligne et la ligne reconnue

            L'évaluation du taux de reconnaissance de ce texte qui contient 139 caractères dont 122 sont reconnus est de 87,76%.

            FIGURE 4.20 - Image du texte et texte reconnu

            4.3 Evaluation de notre système

            Dans la phase de reconnaissance, nous avons utilisé des images des textes de bonne qualité. Un taux global de 87.94% a été enregistré. La variation de taux de reconnaissance par caractère est illustré dan la figure-4.21.

            FIGURE 4.21 - Variation du taux de reconnaissance par caractères

            72

            73

            CHAPITRE 4. EXPÉRIMENTATION ET ÉVALUATION

            Nous proposons de comparer nos résultats avec d'autres travaux. En fait, le tableau-4.5 présente les valeurs des mesures des taux de reconnaissance trouvées par ces systèmes.

            TABLE 4.5 - Comparaison des résultats

            Auteurs

            Taux de reconnaissance

            Classifieur

            Notre Contribution, 2012

            87.94%

            PMC-AG

            [KD07]

            97,1%

            PMC-AG

            [OSB+02]

            87.54%

            PMC-AG

            Le taux de reconnaissance de notre contribution parait faible par rapport à celle de [KD07]. Cette lacune se justifie par le fait que [KD07] utilise une base des chiffres de 0 à 9, au temps que, notre système est apliqué sur l'écriture arabe qui se caractérise par un vocabulaire large.

            Aussi bien, la phase de post-traitement peut améliorer le taux de reconaissance jusqu'au 10%. Nous ne sommes pas arrivés à terminer cette phase qui peut avoir une grande influence sur le taux de reconnaissance du système.

            Conclusion

            L'objectif principal de notre contrubition est de sélectionner les primitives pertinentes dans un système de reconnaissance des caractères arabes imprimés multifontes. Cet objectif est aboutu car les résultats par les AGs sont satisfaisants. En effet, le nombre de primitives a chuté de sept primitives, passant de 27 à 20.

            L'évaluation de notre système de reconnaissance proposé permet d'évaluer les performances de l'algorithme utilisé, son efficacité ainsi que ses faiblesses. En plus de pouvoir apprécier les résultats obtenus, cette évaluation peut donner des indices sur les points à améliorer ultérieurement. Plusieurs systèmes de reconnaissances tant analytiques que globales sont élaborés. Toutefois, aucune de ces approches de reconnaissance ne donne des résultats parfaits du fait de la complexité du sujet. Le problème reste ouvert et de nouveaux efforts sont à déployer pour améliorer les approches de reconnaissance d'écriture arabe.

            Conclusion et Perspectives

            L

            A revue de la littérature relative à la reconnaissance d'écriture, dans le premier chapitre du

            présent rapport, nous a permis de comprendre que l'objectif visé par les système d'OCR
            est de diminuer l'intervention de l'être humain. Parmi les problèmes qui peuvent influencer sur la qualité d'un système de reconnaissance, le choix de primitives qui caractérisent la forme à reconnaître.

            L'originalité de notre travail réside dans le fait que le système de reconnaissance de texte arabe ne suit pas le schéma classique qui consiste à segmenter les mots en caractères, extraire les caractéristiques et faire la classification. Notre approche part du fait que les primitives extraites ne sont pas toujours fiable. En ce sens, notre système essaie d'adapter la meilleure solution du problème en question. Pour se faire, nous proposons une approche d'optimisation pour sélectionner les primitives pertinentes.

            Notre travail se situe dans le cadre de reconnaissance de l'écriture arabe imprimé mul-tifonte. Nous avons présenté une approche hybride pour la reconnaissance des caractères arabes imprimés. Cette technique offre l'avantage de sélectionner les primitives les plus représentatives, ce qui améliore la qualité de reconnaissance. La sélection des primitives est l'une des étapes les plus importantes dans un système de reconnaissance. Elle a fait l'objet de recherche dans de nombreuses disciplines. La sélection des primitives tends à réduire le nombre de primitives en éliminant les primitives redondantes du système de reconnaissance. Un second objectif de cette sélection est de maintenir et/ou améliorer la performance du classifieur utilisé par le système de reconnaissance.

            De différentes études ont été proposées dans la littérature pour la sélection de primitives. Notre orientation s'est focalisée sur les algorithmes génétiques. Une fois que nous avons déterminé les paramètres de l'AG tels que : la taille de la population, le nombre de génération et les méthodes de reproduction, la séléction de primitives commence. Les paramètres de l'algorithme génétique sont définis expérimentalement.

            Les résultats obtenus lors de la sélection de primitives ont permis de réduire la complexité

            75

            Conclusion et Perspectives

            du perceptron multicouche. Le nombre de primitives a été réduit de 25% par rapport à l'ensemble extraits du système de reconnaissance des caractères. Il est difficile d'effectuer une comparaison objective et exhaustive entre la performance de notre de système et celles d'autres systèmes publiés. En effet, les ensembles de test sont différents et les mesures de performance ne sont pas définies clairement. De plus, il n'est pas possible de déterminer si les échantillons d'apprentissages et de tests sont mutuellement exclusifs. De même, nous avons constaté que le problème de sélection de primitives n'a pas été traité.

            L'effort requis pour la préparation d'un ensemble de tests significatifs constitue en réalité un obstacle majeur pour une expérimentation valable du point de vu statistique. Il est donc nécessaire que les efforts concentrent dans l'élaboration d'une base standard de l'écriture arabe qui pourrait servir dans l'évaluation des différents systèmes de reconnaissance.

            Comme perspectives, nous estimons qu'un post-traitement lexical basé sur un dictionnaire peut encore améliorer le taux de reconnaissance. Ceci à montrer son utilité dans plusieurs systèmes de reconnaissances d'écritures arabes.

            Autre perspective, sera d'effectuer une sélection en utilisant les algorithmes génétiques itératifs non pas les algorithmes génétiques simples.

            Bibliographie

            [AAM06] Abdallah.B, Abdellatif.E, Mokhtar.S : Reconnaissance des Mots Manuscrits Arabes par Combinaison d'une Approche Globale et une Approche Analytique, Actes du 9ème Colloque International Francophone sur l'Ecrit et le Document, pp : 265-270, Nou-vembre 2006.

            [AM11] Anshul.G, Mantisha.S : Offline Handwritten Character Recognition, Mémoire de fin d'étude, Institut Indienne de technologie, Guwahati-India, Avril 2011.

            [Ami97] Amin.A : Off line Arabic character recognition a survey, Document Analysis and Recognition, vol.2, pp : 596-599, Août 1997.

            [AS95] Al-Badr.B, Sabri.A.M : Survey and bibliography of Arabic optical text recognition, Signal Processing, vol.41, Issue 1, pp : 49-77, Janvier 1995.

            [AY01] Arica.N, Yarman-Vural.F.T : An overview of character recognition focused on off-line handwriting, Systems, Man, and Cybernetics, Part C : Applications and Reviews, IEEE Transactions, vol.31, pp : 216-233, Mai 2001.

            [BBE00] Ben Amara.N, Belaïd.A, Ellouze.N : Utilisation des modèles markoviens en reconnaissance de l'écriture arabe État de l'art, Colloque International Francophone sur l'Ecrit et le Document, Septembre 2000.

            [BC06] Belaïd.A, Cecotti.H : La numérisation de documents Principe et évaluation des performances, Les documents écrits : de la numérisation à l'indexation par le contenu, Mullot, Rémy (Ed.), Juillet 2006.

            [Bel95] A. Belaïd : OCR Print - An Overview, Survey of the state of the art in Human Language Technology, Cole.R.A, Mariani.J, Uszkoreit.H, Zaenen.A, Zue.V (réd.), Kluwer Academic Plublishers, 1995.

            [Ben99] Ben Amara.N : Utilisation des modèles de Markov cachés planaires en reconnaissance de l'écriture arabe imprimée, Thèse de doctorat, Université des sciences des techniques et de médecine, Tunis II-Tunisie, 1999.

            77

            BIBLIOGRAPHIE

            [Ben02] Benahmed.N : Optimisation de Réseaux de neurones pour la reconnaissance de chiffres manuscrits isolés: Sélection et pondération des primitives par les algorithmes génétiques, Mémoire de mastère, Ecole de technologie supérieure, Montréal-Canada, 2002.

            [Bis95] Bishop.M.C : Neural networks for pattern recognition, Oxford University Press, 1995.

            [Bur04] Burrow.P : Arabic handwriting recognition, Thèse de doctorat, university of Edinburg, England, 2004.

            [CBB01] Cheung.A, Bennamoun.M, Bergmann.N.W : An Arabic optical character recognition system using recognition-based segmentation, Pattern Recognition,vol 34, pp : 215233, Nouvembre 2001.

            [Cha11] Chaari.T : Un algorithme génétique pour l'ordonnancement robuste : application au problème du flow shop hybride, Thèse de doctorat, Faculté des Sciences Économiques et de Gestion, Sfax-Tunisie, 2011.

            [Der09] Derdour.K : Reconnaissance de formes du chiffre arabe imprimé : Application au code à barre d'un produit, Mémoire de mastère, Faculté des Sciences de l'Ingénieur, Batna-Algérie, 2009.

            [DL97] Dash.M, Liu.H : Feature Selection for Classification, Intelligent Data Analysis, pp : 131-156, Mars 1997.

            [Dre04] Dreyfus.G : Réseaux de neurones : méthodologie et applications, Eyrolles, 2004.

            [DS95] Dejong.K.A, Sarma.J : On Decentralizing Selection Algorithm, International Conference on Genetic Algorithms, pp : 17- 23, 1995.

            [EI01] Elgammal.A.M : A Graph-Based Segmentation and Feature-Extraction Framework for Arabic Text Recognition, Sixth International Conference on Document Analysis and Recognition, 2001.

            [ERK90] El-Dabi.S.S, Ramsis.R, Kamel.A : Arabic character recognition system : A statistical approach for recognizing cursive typewritten text, Pattern Recognition, vol.23, pp. 485-495, Mars 1990.

            [Feh99] Fehri.M.C : Reconnaissance de textes arabes multifontes à l'aide d'une approche hybride Neuro-markovienne, Thèse de doctorat, Ecole nationale de science de l'informatique, Tunis-Tunisie, 1999.

            [FGL+] Faure.C,Grumbach.A, Lukforman-Sulem.L,Sujelle.M : Reconnaissance Des Formes, Cours de l'école nationales supérieur des télécommunications, 2006.

            78

            BIBLIOGRAPHIE

            [Gol89] Goldberg.D.E : Genetic Algorithms in Search Optimisation and Machine Learning, Addison-Wesley, Pages : 432, 1989.

            [Gos96] Gosselin.B : Application De Réseaux De Neurones Artificiel à La Reconnaissance Automatique De Caractères Manuscrits, Faculté Polytechnique, Mons-France, 1996.

            [Gov90] Govindan.V.K : Character Rrecognition - A Review, Pattern Recognition, vol. 23, pp : 671-683, Février 1990.

            [GPP+89] Guyon.I, Poujaud.I, Personnaz.L, Dreyfus.G, Denker.J, LeCun.Y : Comparing different neural networks architectures for classifying handwritten, Neural Networks IJCNNs, pp : 127-132, 1989.

            [Gue09] Guenounou.O : Méthodologie de conception de contrôleurs intelligents par l'approche génétique- application à un bioprocédé, Thèse de doctorat, l'Uni-versité Toulouse III -France, 2006.

            [GS00] Gyeonghwan.K, Sekwang.K : Feature Selection Using Genetic Algorithms for Handwritten character Recognition, 7th International Workshop on Frontiers in Handwriting Recognition, pp : 103-112, Octobre 2000.

            [Hay94] Haykin.S : Neural Networks - A comprehensive Foundation, United States Edition, 1994.

            [HB02] Hamami.L, Berkani.D : Recognition system for printed multi-font and multi-size Arabic characters, Arabian Journal for Science and Engineering, vol.27, pp : 57-72, Avril 2002.

            [Héb99] Hébert.J.F : Architecture Neuronale Hybride Pour L'apprentissage Incri-mentale Des Connaissances : Application à La Reconnaissance D'écriture Cursive, Thèse de doctorat, Faculté des sciences et de génie, Laval-Québec, 1999.

            [HH01] Ho.S.Y, Huang H.L : Facial Modeling from an Uncalibrated Face Image Using a Coarse-to-Fine Genetic Algorithm, Pattern Recognition, vol.34, pp : 1015-1031, May 2001.

            [HML+98] Heutte.L, Paquet.T, Moreau. J.V, Lecourtier.Y, Olivier.C : A structu-ral/statistical feature based vector for handwritten character recognition, Pattern Recognition Letters, vol.19, pp : 629-641, May 1998.

            [JDJ00] Jain.A.K, DuinR.P.W, Jianchang.M.M : Statistical pattern recognition : a review, Pattern Analysis and Machine Intelligence, vol.22, pp : 4-37, Janvier 2000.

            [Jou03] Jourdan.L : Métaheuristiques pour l'extraction des connaissances : Application à la génomique, Thèse de doctorat, Université des Sciences et Technologies, Lille-France, 2003.

            79

            BIBLIOGRAPHIE

            [JZ01] Ji.Q, Zhang.Y : Camera Calibration with Genetic Algorithms, IRobotics and Automation, vol.31, pp : 120-130, May 2001.

            [KA08] Kherallah.M, Alimi.A.M : A new lecture support based on on-line arabic handwriting recognition, Innovations in Information Technology, pp : 673-677, Décembre 2008.

            [KD07] Krouchi.G, Djebbar.B : Reconnaissance hors ligne des chiffres manuscrits isolés par l'approche Neuro-Génétique, RIST, vol.17, 2007.

            [Ken73] Kenneth.M.S : Machine recognition of handwritten words :A project report, Pattern Recognition, vol.5, pp : 213-228, September 1973.

            [KS00] Kudo.M, Sklansky.J : Comparaison of Algorithms that Select Features for Pattern Classifiers, Pattern Recognition, vol.33, pp : 25-41, cJanvier 2000.

            [Lip87] Lippmann.R :An introduction to computing with neural nets, ASSP Magazine, vol.4, pp : 4-22, Mars 1987.

            [LV06] Liana M. L, and Venu.G : Offline Arabic Handwriting Recognition :A Survey, Pattern Analysis and Machine Intelligence, vol.28, May 2006.

            [Man86] J.Mantas : An overview of character recognition methodologies, Pattern Recognition, vol.19, pp : 425-430, Janvier 1986.

            [MAS97] Motawa.D, Amin.A, Sabourin.R : Segmentation of Arabic cursive script, Document Analysis and Recognition, vol.2, pp : 625-628, Août 1997.

            [Men08] Menasri.F : Contributions à la reconnaissance de l'écriture arabe manuscrite, Thèse de doctorat, Université Paris Descates, France, 2008.

            [NA04] Nearchou.C, Andreas.A.C : The effect of various operators on the genetic search for large scheduling problems, International Journal of Production Economics, vol. 88, pp :191-203 ,Mars 2004.

            [OAT96] Oivid.D.T, Anil.K, Torfinn.T : Feature extraction methods for character recognition - a survey, Pattern recognition, vol.29, pp : 641-662, Avril 1996.

            [OSB+02] Oliveira.L.S, SabourinR, Bortolozzi.F, Suen.C.Y : Feature Selection Using Multi-Objective Genetic Algorithms for Handwritten Digit Recognition, IEEE Computer Society, pp : 568-571, Aôut 2002.

            [Poi05] Poisson.E : Architecture et Apprentissage d'un Système Hybride Neuro-Markovien pour la Reconnaissance de l'Écriture Manuscrite En-Ligne,Thèse de doctorat, Université de Nantes Ecole doctorale STIM , France, 2005.

            80

            BIBLIOGRAPHIE

            [Reb07] Rebiai.A : Une approche hybride pour la reconnaissance d'écriture arabe manuscritre, Mémoire de mastère, Faculté des science de l'ingénieur,Constantine-Algérie, 2007.

            [RM99] Ramesh.V.E, Murty.N : Off-Lin signature Verification Using Genetically Optimized Weighted Features, Pattern Recognition, pp : 217-233, Février 1999.

            [SD01] Shamik.S, Das.P.K : A Genetic Algorithm for Feature Selection in a Neuro-Fuzzy OCR System, 6th International Conference on Document Analysis and Recognition, pp : 987-991, Septembre 2001.

            [SFK96] Chin-Hui.L, Frank.K.S, Kuldip. K.P : Automatic Speech and Speaker Recognition : Advanced Topics, Kluwer Academic Publishers, 1996.

            [SKJ+09] Slimane.F, Kanoun.S, Hennebert.J, Alimi.A ,Ingold.R : Modèles de Markov Cachés et Modèle de Longueur pour la Reconnaissance de l'Ecriture Arabe à Basse Résolution, MajecSTIC, Novembre 2009.

            [SLM+96] Schwartz.R, LaPre.C, Makhoul.J, Raphael. C, Ying.Z : Language-independent OCR using a continuous speech recognition system, Pattern Recognition, vol.3, pp : 99-103, Août 1996.

            [TB07] Tlemsani.R, Benyettou.A : Application des réseaux bayésiens dynamiques à la reconnaissance en-ligne des caractères isolés, SETIT, Mars 2007.

            [Tim01] Tim.K : Towards Neural Network Recognition Of Handwritten Arabic Letters, Memoire de mastère, Faculté des sciences de l'informatique, Dalhousie-Canada, 2001.

            [TS90] Tolba.M.F, Shaddad.E : On the automatic reading of printed Arabic characters, IEEE International Conference on Systems, Man and Cybernetics, pp : 496-498, Nouvembre 1990.

            [WZG09] Wshah.S, Zhixin.S, Govindaraju.V : Segmentation of Arabic Handwriting Based on both Contour and Skeleton Segmentation, Document Analysis and Recognition, ICDAR'09, pp :793-797, Juilet 2009.

            [YH97] Yang .J, Honavar.V : Feature Subset Selection Using A Genetic Algorithm, Intelligent Systems and their Applications, vol.13, pp.44-49, Avril 1997.

            [Zek05] Zeki.A.M : The Segmentation Problem in Arabic Character Recognition The State Of The Art, Information and Communication Technologies ICICT, pp : 11- 26, Août 2005.

            AnnexeA

            Segments classés par leurs positions

            U

            N segment peut représenter plusieurs caractères suivants les signes diacritiques qui peuvent exister. Les tableaux ci-dessous listent les segments de caractères classés selon leurs positions dans le mot (initiale, milieu, final, isolé) ainsi que les caractères possible qui peuvent correspondre à ces segments. Nous avons attribué, à chaque segment, un code. Ces codes seront utilisés comme code d'identification plus tard dans le processus de reconnaissance.

            82

            ANNEXE A. SEGMENTS CLASSÉS PAR LEURS POSITIONS

            TABLE A.1 - Segments Initials

            11

            Ignorer

            Toutes autres formes sont ignorées

            4

            3

            1

            2

            5

            6

            7

            8

            9

            10

            Images de segments

             

            Caractères possibles

            Codes assignés

            ANNEXE A. SEGMENTS CLASSÉS PAR LEURS POSITIONS

            Codes assignés

            Images des segments

            Caractères possibles

            11

            Ignorer

            Toutes autres formes sont ignorées

            3

            1

            2

            4

            5

            6

            7

            8

            9

            10

            TABLE A.2 - Segments Milieux

            83

            84

            ANNEXE A. SEGMENTS CLASSÉS PAR LEURS POSITIONS

            Codes assignés

            Caractères possibles

            Images des segments

            7

            4

            3

            1

            2

            5

            6

            8

            10

            3

            11

            12

            13

            14

            TABLE A.3 - Segments finals

            ANNEXE A. SEGMENTS CLASSÉS PAR LEURS POSITIONS

            1

            Images des segments

            Caractères possibles

            16

            Ignorer

            Toutes autres formes sont ignorées

            6

            8

            9

            10

            11

            12

            85

            TABLE A.4 - Segments isolés

            TABLE B.1 - Caractères utilisés pour l'apprentissage du réseau de neurone

            Annexe113

            Description de la base

            Dans tout système de reconnaissance de formes, il est nécessaire d'avoir une base de données afin d'effectuer les traitements nécessaire. Les documents utilisés sont de mise en page simple. Ils ne contiennent pas des images. Les fontes des textes dans ces documents sont : Arial et Time New Roman dans des tailles variantes entre 12 et 20. L'interligne est uniforme entre les paragraphes. Le style de la fonte est soit normale soit gras. La figure-B.1 présente un aperçu sur base utilisée :

            FIGURE B.1 - Aperçu sur la base

            Cette base contient 40 textes dont le nombre de caractère vari d'un texte à l'autre. Elle est devisée en deux sections : 30 pour l'apprentissage et 10 pour le test. Les caractères utilisés pour l'apprentissage sont devisés selon leurs positions dans le mot (tableau-B.1).

             

            Caractères Isolés

            Caractères Initials

            Caractères Milieux

            Caractère Finals

            Nombre de segments

            384

            418

            356

            372






Bitcoin is a swarm of cyber hornets serving the goddess of wisdom, feeding on the fire of truth, exponentially growing ever smarter, faster, and stronger behind a wall of encrypted energy








"En amour, en art, en politique, il faut nous arranger pour que notre légèreté pèse lourd dans la balance."   Sacha Guitry