Photographier des archives papier est simple. En ressortir un paragraphe est la partie difficile.

Rendre des caracteres aux pixels

Scanner ou photographier facilite le rangement et complique l usage. Les caracteres dans une image ne se selectionnent pas, donc citer une clause veut dire la retaper. Le meme probleme revient sur les contrats, les factures et les pages de livre photographiees, et ce dont ces documents ont besoin, ce ne est pas d etre conserves mais d etre traitables comme du texte.

La reconnaissance optique de caracteres comble cet ecart. Tesseract compte parmi les moteurs anciens du domaine, et la documentation officielle le decrit en une ligne: un moteur de reconnaissance optique de caracteres. Il fournit la reconnaissance elle meme et non une application finie, donc l interface appartient au programme appelant. Voila pourquoi le meme moteur peut avoir des allures totalement differentes selon qui l enveloppe.

Comme couche basse, il apparait le plus souvent dans autre chose. Le depot officiel indique qu il s utilise en ligne de commande et qu il s integre comme bibliotheque. Ce est exactement pourquoi il passe inapercu: beaucoup utilisent un logiciel dote de reconnaissance sans savoir que ce moteur se trouve dessous. Le projet a commence dans des laboratoires de HP et est entretenu depuis par la communaute, publie sous Apache-2.0.

De quoi depend le resultat

Les donnees de langue sont la premiere variable. La reconnaissance couvre beaucoup de langues par des fichiers installes separement, un par langue utilisee. Cela ressemble a un detail d installation et se comporte comme un point majeur: la mauvaise combinaison choisie, et des phrases ordinaires reviennent en charabia; un document bilingue a sa propre facon de charger les deux a la fois.

La methode compte aussi. La reconnaissance repose sur un reseau de neurones, qui resiste mieux que le vieil appariement forme par forme quand les polices different, que la page est legerement penchee ou que le scan porte du bruit. Il reste sensible a la qualite de la source: trop peu de resolution, une lumiere inegale ou une deformation visible viennent a bout de tout moteur, et preparer l image en amont sert plus que corriger le resultat apres.

Savoir ou vont les donnees compte aussi. La reconnaissance se fait sur la machine et ne demande pas de reseau. Pour des contrats ou des pieces d identite, cela pese souvent plus que le taux de reussite, car images et resultats ne quittent jamais l appareil.

Version et facons de l appeler

La version actuelle est 5.5.3. La page de telechargement propose des archives de code et des compilations pour les grandes plateformes, et les mises a jour d une meme serie portent surtout sur des corrections; lire les notes avant de franchir une version majeure. Les consignes couvrent Windows, macOS et Linux, et la plupart des distributions Linux le portent deja dans leurs depots.

Deux chemins existent. La ligne de commande convient au traitement par lots, ou mille images passent en une execution et plusieurs formats de sortie sont disponibles. L integration comme bibliotheque convient pour loger la reconnaissance dans un programme maison avec un controle fin de chaque etape. Le coeur est identique dans les deux cas; le choix porte sur la facon de travailler, pas sur la qualite.

Le plafond de la reconnaissance est generalement fixe au moment ou la photo est prise.

Notes pratiques: tenir l appareil bien face a la page et garder une lumiere egale, avec une resolution juste suffisante pour que le corps de texte soit net, ce qui vaut mieux que tout reglage ulterieur; installer les donnees de langue correspondant au contenu et charger les deux fichiers quand deux langues se melangent; et avant un traitement par lots en ligne de commande, faire tourner quelques echantillons pour verifier que le format de sortie s enchaine avec la suite.