Reconnaissance optique de caractères (ROC)

bureautique, portail

La reconnaissance optique de caractères (ROC), ou encore appelé vidéo-codage (traitement postal, chèque bancaire) désigne les procédés informatiques pour la traduction d'images de textes imprimés ou dactylographiés en fichiers de texte.

Il existe plusieurs logiciels sous GNU/Linux spécialement dédiés, et il est aussi possible d'employer les logiciels existants sous Windows via Wine.

Voici un petit guide des différentes solutions possibles avec leurs avantages, leurs inconvénients et des liens pour vous en servir.

Voir également :

Les solutions de Gestion Électronique des Documents (GED)

Cuneiform

cuneiform (en russe, ou en anglais) est un OCR multi-plateforme, qui supporte 20 langues, dont le français. Pour les textes en français et les images propres et lisibles, il donne des résultats très satisfaisants avec une marge d'erreur entre 2 et 3 %. De plus, il semble être le seul à supporter (de façon basique) la mise en forme du texte. Ainsi, il reconnaît les textes soulignés, gras, en italique, et les images. Le texte qu'il ne réussit pas à traiter est également importé sous forme d'image. Il supporte les fichiers images en bmp, jpg, png, tiff, Il peut exporter en format texte, html, rtf, et d'autres.

Le projet est en attente de nouveaux développeurs depuis mai 2011 ¹⁾. Il dispose toujours d'une page Launchpad qui héberge le code et est maintenue.

Voir la documentation en allemand où on trouve un fichier de commande pour xsane du genre de celui de tesseract.

Pour l'utiliser installez le paquet cuneiform.

Il est aussi possible de lancer cuneiform sur un fichier image par l'intermédiaire d'un script nautilus tel que celui-ci :

#!/bin/sh
 
printf %s "$NAUTILUS_SCRIPT_SELECTED_FILE_PATHS" | 
while read -r arg
do
	convert -colorspace GRAY $arg tmp.tiff
	cuneiform -l fra -f rtf -o $arg.rtf tmp.tiff
	rm tmp.tiff
done

Il peut être utilisé dans l'interface graphique XSane.

OCRopus

OCRopus (page détaillée) : ROC avec prise en compte de la mise en page (en développement). Très utile pour les vieux manuscrits.

Tesseract-ocr

Voir la page tesseract-ocr pour plus d'informations sur l'installation et l'utilisation.
Pour l'utiliser installer le paquet tesseract-ocr.
Donne de très bons résultats si l'image est bonne, bons dans tous les cas. Ce qu'il peut faire :

Accepte beaucoup de format d'images (Utilise Leptonica) ;
Gère plusieurs langues dont le français (avec les accents) ;
Possibilité de lui apprendre un nouveau jeu de caractères dans sa dernière version ;
Gestion de plusieurs jeux de caractères simultanés ;
Peut être utilisé dans les interfaces graphiques XSane (via les adaptateurs xsane2tess ou ocube) et gscan2pdf.

Gocr

Logiciel qui donne des résultats de qualité médiocre, entre 7 et 8 % d'erreur par document.

Installez le paquet gocr et gocr-tk pour avoir une interface graphique. Ce qu'il sait faire :

Reconnaît les fichiers png ;
Aide correcte.

Site officiel

Ocrad

Ocrad est un élément du projet GNU. Son développement semble arrêté (ou très ralenti) depuis 2011.
Pour l'utiliser installer le paquet ocrad. Cependant, les résultat sont médiocres par rapport aux autres moteurs. Peut s'utiliser en ligne de commande ou avec Skanlite et OCRFeeder.

Xsane

Xsane (page détaillée) est une application graphique très complète pour scanner, qui utilise gocr, tesseract ou cuneiform.
Pour utiliser la ROC il faudra avoir installé l'un des paquets gocr ou cuneiform ou bien le moteur tesseract-ocr avec XSane, dont les indications se trouvent sur la page xsane2tess.

Pour faire de la ROC avec Xsane il faut :

Choisir son moteur d'OCR : ouvrir Xsane et dans Préférence → Configuration → OCR il faut, dans la commande OCR, remplacer gocr par :
- pour gocr avec la reconnaissance des caractères accentués
```
gocr -f UTF8
```
- pour tesseract
```
xsane2tess -l fra
```
- pour cuneiform
```
cuneiform -l fra
```
dans la zone à droite de la cible, sélectionner Enregistrer ;
dans Type, sélectionner TEXT ;
dans le sélecteur couleur ou N/B, sélectionner Gris ou Noir/Blanc ou Trait (à tester selon le document à scanner), et en-dessous, sélectionner la résolution qui convient (pour obtenir les meilleurs résultats, les avis divergent entre 300 et 600 dpi.

Ensuite :

dans la fenêtre Aperçu, cliquer sur Acquisition de l'aperçu ;
recadrer sur la zone de texte à scanner ;
XSane va enregistrer le résultat dans un fichier texte, par défaut sur votre bureau ou dans votre Dossier personnel (selon les versions de Xsane). Il est possible de choisir le dossier d'enregistrement du fichier texte en indiquant le chemin dans la zone de saisie située à côté de l'icône "disquette". On peut aussi nommer le fichier. Par exemple en remplaçant out.txt par /home/votre_identité/essai_ocr_1.txt ;
cliquer sur "Numériser" et attendre le "transfert de l'image" ;
copier-coller le contenu du fichier texte dans un fichier ouvert avec un traitement de texte ;
terminer le traitement "à la main" en utilisant le correcteur orthographique du logiciel de traitement de texte.

cuneiform est le moteur (voir plus haut), paramétré sous Xsane qui a donné les meilleurs résultats, reconnaissance optique presque parfaite, avec une détection excellente des colonnes.

gscan2pdf

Interface graphique permettant notamment de réaliser de la Reconnaissance Optique de Caractères avec les moteurs gocr et tesseract. Son développement dynamique lui permet d'intégrer les outils les plus performants sous GNU/Linux, dont bientôt OCRopus.

Voir chapitre utilisation de la page détaillée gscan2pdf.

OCRFeeder

OCRFeeder est une interface graphique simple, permettant de choisir entre plusieurs moteurs : par défaut installe tesseract, fonctionne aussi avec gocr, ocrad et cuneiform.

Attention, le paquet tesseract est installé pour la reconnaissance de l'anglais uniquement. Voir les paquet langues supplémentaires sur tesseract-ocr.

OCRFeeder, après installation, ne se lance pas. Pour résoudre ce problème, entrez la commande suivante dans un terminal :

sudo sed -i 's/ocrfeeder -i %f/ocrfeeder/' /usr/share/applications/ocrfeeder.desktop

Traite les images, les fichiers PDF et les sorties de scanner. On peut ajouter le contenu d'un dossier (plusieurs fichiers à la fois).

Installez le paquet ocrfeeder.
Ce qu'il sait faire :

Sélectionner les zones à traiter,
Voir côte à côte l'image traitée et le résultat,
Détecte automatiquement les colonnes et les images,
Dispose d'un filtre de bruit et de gris paramétrable (unpaper, non testé),
Supprime les sauts de ligne (option),
Export en différents formats, en essayant de conserver la mise en page : ODT, PDF, HTML et texte brut.

Ce qu'il ne sait pas faire :

La rotation de l'image obtenue via le scanner (gênant quand on scanne un livre au format A5 où deux pages = A4 paysage ⇒ il faut faire deux scans au lieu d'un)

Skanlite

Voir la page dédiée : skanlite.

xsane2tess

xsane2tess: un adaptateur tesseract pour XSane.

gImageReader

gImageReader est une interface graphique très simple d'emploi pour tesseract-ocr.

YAGF

YAGF est une interface graphique pour cuneiform (donc une bonne capacité de reconnaissance comme indiqué plus haut) et tesseract.

(en) Site officiel du logiciel

LIOS

Lios est une interface graphique pour cuneiform et tesseract. Pour l'utiliser installez le paquet lios. Si vous souhaitez avoir la dernière version en français :

modifiez vos sources de mises à jour pour y ajouter le dépôt suivant :

deb http://ppa.launchpad.net/lafricain79/lafricainenvrac/ubuntu bionic main

puis rechargez la liste des paquets,
puis installez le paquet lios.

Voir les solutions de Gestion Électronique des Documents (GED)

WatchOCR - Server PDF et OCR du contenu

WatchOCR : logiciel libre pour créer un serveur de PDF, capable de transcrire notamment les images en texte, ou les PDF d'image scanné en texte : le tout indexé et prêt pour la recherche ( ala google ).

SimpleOCR

Lien de téléchargement

Non libre mais gratuit. Basé sur WOCAR , image non PDF

WebOCR

Fiche sur Winehq.org

Recognita

Racheté par ScanSoft software. Une fiche sans aucun commentaire est néanmoins disponible pour la version 5.Tout retour, ici ou sur WineHQ serait grandement apprécié.