tei-zone-to-ocr-gt

Installation

À compléter par les étudiant-e-s

Description générale

L'outil tei-zone-to-ocr permet, à partir d'un fichier TEI usant de <zone> et des fichiers images liés, de générer des fichiers d'entraînements pour Kraken.

L'outil prend les options suivantes :

cli.py to-kraken input output --seg //seg --seg-to-zone //zone[@id=./@facs] --zone-to-image ../graphic/@url

• input : fichier XML TEI
• output : dossier de sortie
• --seg : XPATH permettant d'aller aux conteneurs de texte transcrit
• --seg-to-zone : XPath permettant d'aller du conteneur de texte à la zone image
• --zone-to-image : XPath permettant d'aller de l'image

Il génère un dossier output contenant:

• les images complètes binarisées par kraken.
  • Une alerte sera émise si l'image est plus petite que 600*600 (Mauvais pour de l'OCR).
• les fichiers json de zonage par rapport à ces images binarisées.
• un dossier gt (pour ground truth) comprenant
  • un fichier [LINE].txt par ligne de texte transcrit
  • un fichier [LINE].png par ligne de texte transcrit correspondant uniquement à la zone de transcription.