Tesseract OCR

Tesseract OCR est un moteur de reconnaissance optique de caractères (acronymie : ROC ou OCR en Anglais) qui a été conçu par les ingénieurs de Hewlett Packard^® de 1984 à 1995, avant d'être abandonné.
Après 10 ans de purgatoire, son code est ouvert en 2005, distribué sous Licence Apache, et le développement est repris sous la houlette de Google.
Les premiers résultats sont prometteurs.
Enfin un bon logiciel libre d'OCR sous GNU/Linux? L'avenir nous le dira… Il permet déjà d'obtenir une reconnaissance optique de qualité sur un certain nombre de documents (sans mise en page complexe).

La page de la documentation sur Github.

Tesseract a pour vocation d'être utilisé :

• soit directement, en ligne de commandes soit par l'intermédiaire d'une interface graphique comme gscan2pdf ou xsane (cf. aussi xsane2tess), pour reconnaître du texte avec mise en page basique ; cet usage est déjà fonctionnel.
• soit avec des surcouches gérant les mises en page complexes, etc., comme ocropus (encore en Version Bêta ou β-test).

Installez les paquets tesseract-ocr et pour reconnaître la langue française, tesseract-ocr-fra.
Il existe d'autres fichiers de langues, comme par exemple :

• tesseract-ocr-deu (allemand),
• tesseract-ocr-eng (anglais),
• tesseract-ocr-spa (espagnol),
• tesseract-ocr-nld (hollandais),
• tesseract-ocr-ita (italien),
• tesseract-ocr-por (portugais-brésilien),
• tesseract-ocr-vie (vietmamien),
• tesseract-ocr-deu-f (vieil-allemand).

Dans un terminal, Entrez la commande suivante :

tesseract ~/<nom_de_l_image.tif> <nom_du_fichier_de_sortie_sans_l_extension> -l fra

le fichier de sortie sera au format texte .txt … on perd donc la mise en page!

Pour traiter plusieurs fichiers, vous pouvez faire :

for i in *.jpg ; do tesseract -l fra $i $i.txt;  done;

Pour traiter un pdf image de plusieurs pages :

pdftoppm -r 300 -tiff texte.pdf texte
for f in *.tif;do tesseract $f $f -l fra;done
cat *.txt > document.txt

Si vous avez installé les fichiers pour la reconnaissance de texte en d'autres langues, vous ajoutez à la fin, au lieu de -l fra:

-l eng (pour l'anglais)
-l deu (pour l'allemand)
-l epo (pour l'espéranto)
-l spa (pour l'espagnol)
-l ita (pour l'italien)
-l nld (pour le néerlandais)
-l por (pour le portugais)
-l vie (pour le vietnamien)
-l deu-f (pour le vieil-allemand)

La liste des langues est disponible sur la documentation du logiciel sur github

Vous pouvez aussi indiquer que les pages contiennent plusieurs langues différentes en indiquant -l fra+epo par exemple pour des images qui contiennent du texte en français et du texte en espéranto.

Les explications sont données sur la page gscan2pdf.

Il est possible d'utiliser directement tesseract avec l'application de numérisation XSane grâce à l'adaptateur xsane2tess.

Les explications sont données sur la page YAGF.

Les explications sont données sur la page gimagereader.

1. Créez un fichier texte que vous nommez par exemple "Tesseract-png2lofficewriter" :

   Tesseract-png2lofficewriter

   #!/bin/bash
   cd ~/Bureau
   convert *.png sortie.tif ;
   # il est plus prudent de corriger le bpp maximum pour le fichier tiff de sortie (max 8 pour tesseract -> depth = 4)
   # soit convert -depth 4 *.png sortie.tif ;
   tesseract sortie.tif sortie -l fra ;
   rm sortie.tif
   lowriter sortie.txt

2. Rendez exécutable ce fichier. Vous avez créé un script exécutable…
3. Placez-le dans le dossier des scripts-Nautilus (ou dans tout autre dossier personnel de scripts, à votre convenance),
4. Créez un lanceur ou une entrée dans le menu comme indiqué ci-dessous.

Pour faire de même avec les fichiers images JPG (comportant du texte à reconnaître bien sûr), vous pouvez remplacer "png" par "jpg" dans le script, pour créer un autre script nommé "Tesseract-jpg2lofficewriter".

Pour créer un raccourci de votre script, reportez-vous à la page de création de lanceurs ou à celle-ci pour Unity, puis complétez comme suit:

1. Donnez-lui un nom par exemple : "Tesseract-png2lofficewriter", ou plus court "Tesseract-PNG2LOW"
2. Pointez vers le script en question, c'est à dire le fichier texte "Tesseract-png2lofficewriter" rendu exécutable (commande : allez chercher votre script par le bouton "parcourir"),
3. Vous pouvez utiliser cette icône pour le script "Tesseract-PNG2LOW" et celle-ci pour le script "Tesseract-JPG2LOW".
4. Vous pouvez ajouter un commentaire, mais ce n'est pas indispensable.

1. Enlevez du bureau les fichiers PNG sur lesquels vous ne voulez pas faire de ROC.
2. Placez sur le bureau vos fichiers numérisés au format PNG (le mieux est un PNG en valeurs de gris et 300 dpi avec Xsane, mais vous pouvez essayer avec d'autres PNG déjà numérisés),
3. Vous pouvez placer sur le bureau plusieurs fichiers PNG sur lesquels vous voulez procéder à la reconnaissance optique, mais ne dépassez pas 3-4 fichiers si vous voulez une opération relativement rapide.
   Les contenus des différents fichiers seront placés les uns à la suite des autres dans un même document Libreoffice.
4. Cliquez sur le raccourci précédemment créé ou directement sur le script… patientez un peu… Libreoffice s'ouvrira avec le contenu du texte tel qu'il a été reconnu
5. Il vous reste a effectuer les corrections orthographiques et la mise en page.

Même méthode pour les fichiers au format JPG, en utilisant l'outil "Tesseract-jpg2lofficewriter" créé précédemment.

N.B. : au passage, un document sortie.tif et un document sortie.txt sont placés sur le bureau; ce sont des documents transitoires créés par le script. On peut les effacer en ayant au préalable enregistré le document texte dans un autre dossier.

- Créez un fichier texte que vous nommez par exemple "OCR" dans le dossier des scripts-Nautilus (normalement : ~/.local/share/nautilus/scripts) :

~/.local/share/nautilus/scripts/OCR

#!/bin/sh
 
mypath="`pwd`"
for filename in "$@"
do
if [ -n "$*,?" ];then
    tesseract "$mypath/$filename" "${filename%%.*}" -l fra
fi
done {}
exit 0

- Rendez exécutable ce fichier.

Dans Nautilus vous pouvez désormais sélectionner un ou plusieurs fichiers PNG et/ou JPG, faites un clic droit et exécutez le script "OCR". Chaque fichier txt extrait de tesseract aura le nom du fichier d'origine avec l'extension .txt

Si vous souhaitez améliorer la reconnaissance optique de caractères vous trouverez des explications sur le site (en) Wiki de "tesseract-OCR" .

Pour supprimer cette application, il suffit de supprimer son paquet et les paquets de langues installées. Selon la méthode choisie, la configuration globale des applications sont conservées ou supprimées. Les journaux du système, et les fichiers de préférence des utilisateurs dans leurs dossiers personnels sont toujours conservés.

• Site officiel
• Documentation pour contribuer au code (en anglais)
• le fil de discussion du forum Open Office, Reconnaissance de caractères, Xsane, Kooka et Cie…
• La page où on parle de l'apprentissage avec tesseract (anglais)
• La page de la documentation francophone Ubuntu sur la reconnaissance optique de caractères
• script « scan2pdf+ocr.sh » sur le GITHUB

Contributeurs : Pierre S., Hector et Sorbus, eagle08 : liens.