Convertisseur d’image en texte (OCR)

Comment il lit une image

La reconnaissance de texte, ou OCR, trouve les lignes de texte d’une image, les découpe en caractères et décide quelle lettre est chacun, à l’aide d’un modèle entraîné sur du texte imprimé dans les langues choisies. Cet outil utilise Tesseract, un moteur libre de longue date, compilé pour tourner dans le navigateur. Les données de langue, environ 3 Mo pour l’anglais, sont téléchargées une fois depuis ce site et gardées pour la prochaine fois.

Les petites images sont agrandies avant la lecture, car le moteur fonctionne mieux sur des lettres grandes et nettes, et les images légèrement penchées sont redressées. Les pages PDF sont dessinées à environ 190 DPI et lues une à une.

Quelle précision

Sur du texte imprimé propre, très bonne. Nous avons lu un rapport de 10 pages préparé pour ressembler à un scan de bureau, avec ses pages dessinées à 300 DPI sur un papier légèrement gris et stockées en images JPEG, et comparé le résultat au texte dont le rapport était issu :

Un vrai scan avec de la poussière, une inclinaison et une lumière inégale obtiendra un score un peu plus bas. Les résultats baissent encore selon ce que l’appareil photo donne au moteur : photos de téléphone prises de biais ou sous une mauvaise lumière, petits caractères, fonds colorés, polices décoratives et pages avec du texte dans plusieurs directions coûtent tous en précision. L’écriture manuscrite n’est pas prise en charge du tout.

Obtenir le meilleur résultat

• Photographiez bien de face, sous une bonne lumière, avec la page qui remplit le cadre et sans l’ombre de votre téléphone.
• Choisissez les bonnes langues. Chaque langue a son propre modèle. Une page en français lue comme de l’anglais ressort avec plus d’erreurs, surtout sur les lettres accentuées ; choisissez-en jusqu’à trois quand une page les mélange.
• Choisissez la mise en page. Automatique (colonnes, titres) repère les colonnes et les titres. Un seul bloc de texte convient à un paragraphe unique ou à la capture d’un message. Texte épars (panneaux, étiquettes) convient aux panneaux, aux étiquettes et aux schémas.
• Recadrez sur le texte avec recadrer une image quand une photo montre bien plus que la page.

Les PDF consultables

Avec Créer aussi un PDF consultable activé, vous obtenez aussi un PDF identique à votre scan, avec le texte reconnu posé de façon invisible sur chaque mot. Vous pouvez y chercher, sélectionner et copier, et l’image d’origine reste intacte. C’est la façon habituelle de rendre une pile de documents scannés consultable. Pour reconstruire plutôt un scan en document modifiable avec paragraphes et tableaux, utilisez PDF en Word.

En cas de problème

• Il n’a trouvé aucun texte. L’image est peut-être trop floue ou trop petite, ou dans une langue que vous n’avez pas choisie. Essayez une photo plus nette, la bonne langue ou une autre mise en page.
• Le texte sort dans le mauvais ordre. Les colonnes et les encadrés brouillent l’ordre de lecture. Essayez Un seul bloc de texte, ou recadrez une colonne à la fois.
• Le PDF contient déjà du texte sélectionnable. Il n’a alors pas besoin d’OCR : PDF en texte copie le vrai texte plus vite et sans erreur.

Notre méthode de test. Un rapport de 10 pages de texte du domaine public, dessiné comme un scan couleur à 300 DPI sur papier gris et enregistré en pages JPEG, lu avec les réglages de cet outil dans Chrome. Le résultat de chaque page a été comparé au texte source caractère par caractère, sans tenir compte des sauts de ligne ni des espaces.