Reconnaissance optique de caractères (ROC)

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.

Pour le moment, la ROC (ou OCR) n'est pas un des domaines les plus avancés sous GNU/Linux : jusqu'en 2006, les résultats étaient même en général totalement inutilisables. Cependant, les choses ont évolué rapidement en 2007 et 2008 avec tesseract et le projet Ocropus. 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)

http://jocr.sourceforge.net/

• les plus :
  1. empaqueté pour ubuntu (installation de gocr); (gocr 0.49 dans Ubuntu 12.04)
  2. reconnaît les png ;
  3. aide correcte ;
  4. facile à utiliser ;
  5. interface graphique: gocr-gtk.
  6. la reconnaissance optique est fonctionnelle sur des fichiers images pour lesquelles tesseract ne donne aucun résultat. Par exemple une capture d'écran en mode console réalisée avec fbgrab.
• les moins :
  1. le résultat est loin d'être idéal.

cuneiform (en russe, ou en anglais) est un ocr multiplateforme, qui supporte 20 langues, dont le français. Pour les textes en français et les images propres et lisibles, il donne des résultats corrects. De plus, c'est le seul (du moins le seul que j'ai trouvé) 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, png, tiff, Il peut exporter en format texte, html, rtf (mais j'ai obtenu de piètres résultats pour ce format), et d'autres.

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

• les plus :
  1. empaqueté pour ubuntu (installation de cuneiform); (cuneiform 1.1 dans Ubuntu 12.04)
• les moins :
  1. ?

http://www.gnu.org/software/ocrad/ocrad.html

• les plus :
  1. empaqueté pour ubuntu (installation de ocrad); (ocrad 0.21 dans Ubuntu 12.04)
  2. présence d'une aide.
• les moins :
  1. résultat très médiocre et non utilisable.
     (à vérifier, car on obtient de bons résultats avec Kooka utilisant ocrad : voir ci-dessous)

Voir la page tesseract-ocr pour plus d'informations sur l'installation et l'utilisation

• les plus :
  1. empaqueté pour ubuntu (installation de tesseract-ocr); (tesseract-ocr 3.02 dans Ubuntu 12.04)
  2. très bonne performance si l'image est bonne ;
  3. gère plusieurs langues dont le français (avec les accents) dans les versions 2 ou postérieures (paquets disponibles dans Universe) ;
  4. possibilité de lui apprendre un nouveau jeu de caractères dans sa dernière version ;
  5. gestion de plusieurs jeux de caractères simultanés ;
  6. peut être utilisé dans les interfaces graphiques XSane (via les adaptateurs xsane2tess ou ocube) et gscan2pdf, disponibles sous Hardy et suivants.

• les moins :
  1. ne gère pas les colonnes multiples ; (à vérifier : information obsolète ?)
  2. problème de compilation sur certaines plateformes (fedora core 6) ;
  3. n'accepte pas beaucoup de formats d'images (il existe un script de conversion, voir plus bas) ;
  4. piètres performances sur les documents en échelles de gris et en couleur.

xsane est une interface graphique qui utilise gocr ou tesseract ou cuneiform.

Testé sous Hardy, Intrepid, Jaunty, Lucid (avec cunéiform), Oneiric

• Avoir installé l'un des paquets gocr ou cuneiform
• ou pour utiliser le moteur de ROC tesseract avec XSane, suivre les indications de la page xsane2tess.

• Ouvrir Xsane et dans Préférence → Configuration → OCR il faut, dans la commande OCR, remplacer gocr par :

  gocr -f UTF8

  Il y aura ainsi reconnaissance des caractères accentués.

• on peut aussi remplacer gocr par xsane2tess -l fra pour utiliser tesseract, aussi cuneiform -l fra pour utiliser cuneiform
• dans XSane : Applications → Images → Scanneur d'images XSane ;
• 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 ppi ; un test fait sur des textes écrits en polices 10 et 12 Arial, Times New Roman et Courier 10 Pitch donne les meilleurs résultats en 300 ppi).

Captures d'écran réalisées avec Xsane 0.97 sous Dapper. La disposition des divers éléments diffère légèrement avec les versions suivantes de Xsane sous Hardy, Intrepid et Jaunty, mais le principe est le même.

Ensuite :

1. dans la fenêtre "Aperçu", cliquer sur "Acquisition de l'aperçu" ;
2. recadrer sur la zone de texte à scanner ;
3. XSane va enregistrer le résultat dans un fichier texte, par défaut sur votre bureau ou dans "home/votre_identité" (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" des captures d'écran ci-dessus par "/home/votre_identité/essai_ocr_1.txt" ;
4. cliquer sur "numériser" et attendre le "transfert de l'image" ;
5. copier-coller le contenu du fichier texte dans un fichier ouvert avec un traitement de texte (OOo Writer ou autre) ;
6. 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 est une 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.

ocrgui est une interface graphique pour, soit tesseract, soit gocr.

http://kooka.kde.org/

Kooka est une interface graphique qui utilise au choix ocrad ou gocr. Le choix s'effectue ainsi dans la fenêtre d'ouverture de Kooka : Configuration → Configurer Kooka → ROC → Moteur ROC à utiliser… On sélectionne ici le moteur ROC : ocrad ou gocr.

• les plus :
  1. donne de bons résultats en utilisant ocrad
  2. dispose d'une option permettant de détecter la mise en forme des documents à scanner (détection des colonnes ou détection complète de la disposition du texte).
• les moins :
  1. n'est plus empaqueté pour ubuntu,
  2. demande une ou deux manipulations supplémentaires par rapport à XSane car le scan n'est pas immédiatement enregistré au format texte, mais la ROC est effectuée dans un second temps sur le fichier image déjà enregistré.

• Avoir installé le paquet ocrad.

1. ouvrir Kooka : Applications –> Images –> Kooka ;
2. sélectionner le moteur ocrad (et non gocr) comme indiqué ci-dessus, puis redémarrer Kooka ;
3. dans la fenêtre en bas à droite "Configuration du périphérique", sélectionner "Binary" pour "Scan Mode" ;
4. dans la même fenêtre, sélectionner la résolution "300 ppi" ;
5. cliquer sur "Aperçu" ;
6. recadrer le texte à numériser dans la fenêtre "Aperçu" ;
7. cliquer sur "Numérisation finale" ;
8. dans la fenêtre "Assistant d'enregistrement", sélectionner le format PNG et clic sur "OK" ;
9. le fichier PNG est enregistré et il apparaît dans la fenêtre en haut à gauche : sélectionner ce fichier, puis cliquer sur l'icône "ROC sur l'image" (2ème icône à droite de l'icône "Imprimer") ;
10. dans la fenêtre "Reconnaissance Optique de Caractères", cliquer sur "Démarrer la ROC". On peut auparavant sélectionner (en bas de la fenêtre) un "mode d'analyse de la disposition" adapté au document à scanner : par exemple "Détection des colonnes" ;
11. copier-coller le "Résultat de la ROC" dans un fichier ouvert avec un traitement de texte (OOo Writer ou autre) ;
12. terminer le traitement "à la main" en utilisant le correcteur orthographique du logiciel de traitement de texte.

• Où sont enregistrés les fichiers images obtenus avec Kooka ?
  • Ils sont automatiquement enregistrés dans /home/votre_identité/.kde/share/apps/ScanImages/ (même si on est sous gnome). Pour accéder à ce fichier, il faut afficher les fichiers cachés. S'il s'agit de fichiers que l'on souhaite conserver, on peut les enregistrer dans le répertoire de son choix… Mais il est habituellement inutile de conserver des fichiers images générés pour une Reconnaissance Optique de Caractères. On les aura donc supprimés dans Kooka après avoir effectué la ROC/OCR : cliquer droit sur le fichier, puis "Supprimer l'image".
• Tests
  • Premier test fait avec Kooka utilisant GOCR : beaucoup de caractères non reconnus remplacés par des rectangles (peut-être un détail de configuration à corriger ?).
  • Second test fait avec Kooka utilisant OCRAD : le résultat obtenu (avant traitement manuel avec OOo Writer) est très correct; meilleur que celui obtenu avec XSane pour le même texte en polices 10 et 12 Arial, Time New Roman et Courier 10 Pitch.

Clara n'a été dans les dépôts Ubuntu que pour dapper et hardy

• les plus :
  1. empaqueté pour Ubuntu.
• les moins :
  1. n'accepte que le format pgm ou pbm ;
  2. interface peu conviviale.

testé sous Hardy, Intrepid et Jaunty.

• xsane2tess: un adaptateur tesseract pour XSane.

Une interface graphique à tesseract-ocr pour gnome

http://sourceforge.net/projects/gimagereader/

pratique et prometteur… (version béta et en anglais en janvier 2011)

• OCRopus: pour une ROC avec prise en compte de la mise en page. (en développement)

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

• (en) Site officiel du logiciel

Le site Free OCR permet de faire de la reconnaissance de caractères en ligne. Il est gratuit et utilise tesseract pour la reconnaissance.

Points forts :

• gratuit
• performant
• gère plusieurs langues
• reconnait les textes en colonne

Points faibles :

• nécessité d'entrer un captcha à chaque texte soumis
• on ne peut faire reconnaître que dix pages ( 2 Mo maximum ). Au bout de dix, il faut attendre une heure avant de pouvoir recommencer

Voir également :

• Les solutions de Gestion Électronique des Documents (GED)

• 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 ).

• Fiche sur WineHQ.org

Non libre mais gratuit. Basé sur WOCAR

• Fiche sur Winehq.org

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.

Fiche sur WineHQ.org

FineReader fonctionne très bien sous Wine.

• CellWriter: Reconnaissance de l'écriture manuscrite

• Xstroke : reconnaissance de l'écriture manuscrite et des mouvements de pointeur

• Fiche de Myscript Note (reconnaissance écriture) sur WineHQ.org
• Fiche de Myscript Stylus (logiciel interactif) sur WineHQ.org (existe pour GNU/Linux ), reconnaît l'écriture attachée

Non libre, versions d'évaluation 30 jours des logiciels sur le site officiel.

• Aller sur la page de calligrapher

Non libre, version d'évaluation du logiciel sur le site officiel.

• le fil de discussion du forum à propos de l'OCR

Contributeurs : Pierre S. et Sorbus.