Comment extraire le texte d’une image avec l’OCR

Comment fonctionne l’OCR

Un moteur d’OCR commence par convertir l’image en noir et blanc pour que les lettres se détachent du fond. Il analyse ensuite la mise en page en repérant les blocs de texte, les lignes et les mots. Enfin, un modèle de reconnaissance estime quels caractères chaque mot représente.

L’outil LeedyBox utilise Tesseract, un moteur d’OCR open source, par l’intermédiaire de Tesseract.js. Son modèle de reconnaissance est un réseau de neurones entraîné sur du texte imprimé, avec des données distinctes pour chaque langue. Le moteur fournit aussi une valeur de confiance pour chaque mot, et l’outil affiche leur moyenne pour chaque image.

Choisir la langue

Le réglage de la langue indique au moteur quels caractères et quels mots il doit s’attendre à trouver. Lire un texte coréen, japonais ou russe avec le modèle anglais produit un charabia de lettres latines d’apparence semblable, et pour les langues qui partagent un alphabet, le bon modèle gère mieux les accents et les mots courants.

Si une image mélange deux langues, par exemple un document coréen contenant des noms de produits en anglais, choisissez les deux. N’ajoutez une seconde langue que si le texte l’exige : chaque langue supplémentaire ralentit la reconnaissance et donne au moteur davantage de caractères à confondre.

Conseils pour la qualité de l’image

• Résolution : un petit texte dans une image en basse résolution est la cause d’erreurs la plus fréquente. Agrandir l’image aide un peu, c’est pourquoi l’outil LeedyBox peut relire les petites images au double de leur taille, mais cela ne peut pas restituer des détails que l’image ne contient pas. Les très grandes lettres peuvent aussi être lues de façon moins fiable.
• Contraste : un texte foncé sur un fond clair et uni donne les meilleurs résultats. Une impression pâle, un texte gris, un fond coloré et les ombres rendent la séparation des lettres plus difficile. L’option de conversion en niveaux de gris avec augmentation du contraste peut aider pour un texte pâle, mais comparez les résultats, car elle peut aussi dégrader une image propre.
• Texte droit : un texte incliné, courbé ou déformé par la perspective, comme celui d’un livre photographié de biais, entraîne des lignes fusionnées et des caractères erronés. Faites pivoter l’image ou reprenez la photo si le texte est nettement de travers.
• Recadrage : recadrez l’image sur le texte dont vous avez besoin. Les logos, photos, bordures et colonnes voisines peuvent être pris pour des caractères et perturber l’ordre de lecture.
• Compression : une forte compression JPG brouille les lettres avec des artefacts. Enregistrez si possible les captures d’écran en PNG ; voir JPG, PNG, WebP et AVIF.

Captures d’écran et photos

Les captures d’écran sont nettes et droites : elles donnent donc généralement de bons résultats. Leur principal point faible est la taille : le texte d’une interface ne mesure souvent que quelques pixels de haut. Zoomez sur la page ou l’application avant de faire la capture, et ne réduisez pas la capture ensuite. Vous pouvez coller une capture d’écran directement dans l’outil avec Ctrl+V (⌘+V sur Mac).

Les photos ajoutent un éclairage inégal, des reflets, du flou, de la perspective et des pages courbées. Tenez l’appareil parallèle à la page, remplissez le cadre avec le texte, utilisez un éclairage uniforme sans reflet de flash, et touchez l’écran pour faire la mise au point. L’orientation enregistrée par l’appareil photo est appliquée avant la lecture : une photo prise avec le téléphone tenu de côté est donc lue dans le bon sens.

Pour les fichiers PDF, utilisez PDF en texte plutôt que de convertir les pages en images : cet outil lit la couche de texte existante et n’applique l’OCR qu’aux pages qui n’en ont pas. Le guide Extraire le texte d’un PDF : couches de texte et OCR traite des PDF numérisés.

Écriture manuscrite et polices stylisées

Les modèles utilisés ici sont entraînés sur du texte imprimé : l’écriture manuscrite est donc généralement mal reconnue. Des majuscules d’imprimerie soignées et bien séparées ont le plus de chances d’être lues ; l’écriture cursive et les signatures donnent rarement un résultat exploitable. Les polices décoratives, de style manuscrit ou très condensées, le texte sur un fond à motifs et le texte vertical posent des problèmes similaires.

Vérifier et corriger le résultat

Considérez le résultat de l’OCR comme un brouillon. Les erreurs typiques sont la confusion entre 0 et O, entre 1, l et I, ou entre « rn » et « m » ; des accents et des signes de ponctuation omis ou erronés ; des mots fusionnés ou coupés en fin de ligne ; et des lignes de colonnes voisines mélangées. Les tableaux et les mises en page en plusieurs colonnes ne sont pas conservés : le résultat est du texte brut.

Comparez le texte avec l’image, en prêtant une attention particulière aux nombres, noms, dates, montants et adresses, pour lesquels un seul caractère erroné a des conséquences. Une valeur de confiance élevée ne prouve pas que le texte est correct. Vous pouvez modifier le texte dans l’outil avant de le copier ou de le télécharger.

Confidentialité : ce qui reste sur votre appareil

L’outil LeedyBox exécute le moteur d’OCR dans votre navigateur : vos images sont lues sur votre appareil et ne sont pas envoyées à LeedyBox. Le navigateur télécharge la bibliothèque Tesseract.js, son moteur WebAssembly et les données de chaque langue choisie depuis leedybox.com même. Il s’agit de téléchargements de fichiers ordinaires, qui ne contiennent pas vos images. Tesseract.js enregistre les données de langue dans le stockage de votre navigateur (IndexedDB) pour ne pas avoir à les télécharger de nouveau ; effacer les données du site dans votre navigateur les supprime.

Questions fréquentes