Análisis de página y elementos de verdad fundamental

Page Analysis and Ground Truth Elements ( PAGE ) es un estándar XML para codificar documentos digitalizados. ^{[ 1 ]} Comparable a Analyzed Layout and Text Object (ALTO), permite describir la organización y estructura de una página y su contenido.

PAGE XML se puede utilizar para describir:

• Contenido de la página (regiones, líneas de texto, palabras, glifos, orden de lectura, contenido del texto, ...)
• la evaluación del análisis de diseño (perfiles de evaluación, resultados de la evaluación, ...)
• el recorte de la imagen del documento (rejillas de recorte)

El formato ha sido desarrollado por el Laboratorio de Reconocimiento de Patrones y Análisis de Imágenes (PRIMA) de la Universidad de Salford en Manchester.

Fue diseñado para usarse junto con técnicas de segmentación y transcripción automáticas ( reconocimiento óptico de caracteres (OCR) y reconocimiento de texto manuscrito (HTR)): de hecho, PAGE pretende dar soporte a cada uno de los diferentes pasos de la cadena de procesamiento para el análisis de documentos de imagen (desde la mejora de la imagen hasta el análisis de la maquetación y el OCR).

El esquema XML PAGE se utiliza como formato de exportación e importación por software de transcripción automática como eScriptorium ^{[ 2 ]} y Transkribus ^{[ 3 ]} . También es un formato de exportación utilizado por Kraken, un sistema OCR llave en mano optimizado para documentos en escrituras históricas y no latinas ^{[ 4 ]} y por el software OCR Tesseract ^{[ 5 ]} .

• Documentación
• Ejemplo de codificación
• Documentación del formato XML PAGE para el contenido de páginas en el proyecto OCR-D , financiado por la Deutsche Forschungsgemeinschaft .
• Documentación "Contenido de la página: Verificación y almacenamiento"
• Documentación "Evaluación - Metadatos, Perfil y Resultados"
• Documentación "Corrección de distorsión: Verificación de referencia y almacenamiento"