OCR signifie Reconnaissance Optique de Caractères. Il s'agit de la technologie qui convertit les images de texte, qu'il s'agisse d'une photographie, d'un document numérisé ou d'un PDF sans calque de texte, en caractères réels lisibles par machine. Comprendre le fonctionnement de l'OCR vous aide à obtenir de meilleurs résultats et à définir des attentes réalistes quant à ses réussites et à ses échecs.
Ce que fait réellement l'OCR
Lorsque vous numérisez un document ou prenez une photo d'une page, le résultat est une image raster – une grille de pixels colorés. Le texte de cette image ressemble à du texte à vos yeux, mais pour un ordinateur, ce n'est qu'un motif de points sombres et clairs sans signification inhérente. Le logiciel OCR analyse ces modèles de pixels, identifie les formes qui correspondent aux caractères d'un alphabet connu et les convertit en chaînes de texte qu'un ordinateur peut stocker, rechercher et traiter.
La sortie de l'OCR sur un PDF est généralement un PDF consultable : un fichier qui semble visuellement identique à la numérisation originale, mais qui comporte désormais une couche de texte invisible intégrée derrière les images. Lorsque vous appuyez sur Ctrl+F pour rechercher, copier du texte ou demander à un moteur de recherche d'indexer le document, il utilise ce calque de texte plutôt que l'image visible.
Essayez l'OCR PDF
Aucune installation nécessaire. Fonctionne directement dans votre navigateur.
Comment le logiciel OCR reconnaît les caractères
Les moteurs OCR modernes utilisent une combinaison de prétraitement d'image, de correspondance de modèles et d'apprentissage automatique pour identifier les caractères. Le processus fonctionne généralement en plusieurs étapes :
- Prétraitement : l'image est nettoyée : l'inclinaison est corrigée (rectification), le bruit est supprimé, le contraste est amélioré et l'image peut être binarisée (convertie en noir et blanc pur) pour faire ressortir les caractères plus clairement.
- Analyse de la mise en page : le logiciel identifie l'emplacement des blocs de texte, des colonnes, des en-têtes, des images et des tableaux sur la page. Cela détermine l'ordre de lecture et empêche le moteur OCR de mélanger le contenu des colonnes adjacentes.
- Segmentation des caractères : les caractères individuels sont isolés les uns des autres et des espaces blancs environnants. C'est plus difficile qu'il n'y paraît : les caractères en écriture cursive se touchent, les caractères dans des documents mal imprimés peuvent être fragmentés et la ponctuation peut être confondue avec des marques parasites.
- Reconnaissance de caractères : chaque personnage segmenté est comparé à des modèles entraînés. L'OCR moderne utilise des modèles d'apprentissage profond formés sur des millions d'exemples de caractères dans différentes polices, tailles et conditions d'impression.
- Correction contextuelle : Les caractères reconnus sont vérifiés par rapport à un modèle de langage. Une séquence qui ressemble à "hcllo" est plus susceptible d'être "bonjour" basé sur la fréquence des mots – le moteur le corrige donc. Cette étape contextuelle améliore considérablement la précision des caractères ambigus.
Qu'est-ce qui détermine la précision de l'OCR
Le facteur le plus important est la qualité de la numérisation. La précision de l'OCR diminue fortement lorsque l'image source est floue, de faible résolution, mal éclairée, inclinée ou présente un arrière-plan sombre ou à motifs. Une numérisation nette à 300 DPI sous un éclairage constant produit des taux de précision de 95 à 99 % pour le texte imprimé standard. Le même document numérisé à 72 DPI sur un téléphone dans un éclairage faible peut produire une précision de 60 à 70 % – suffisant pour comprendre l'essentiel, mais pas utile pour une extraction précise du texte.
Le choix de la langue est également important. Les moteurs OCR sont formés sur des langues et des jeux de caractères spécifiques. L'exécution d'un document arabe via un moteur OCR configuré pour l'anglais produit de mauvais résultats. L'outil OCR PDF de WukongPDF prend en charge plusieurs modèles de langue : sélectionnez toujours la bonne langue avant le traitement pour une précision optimale.
Le tableau ci-dessous résume les plages de précision attendues pour différents types et conditions de documents :
Il s'agit de plages typiques : les résultats individuels varient en fonction du document spécifique, de l'équipement de numérisation et du moteur OCR utilisé.
OCR sur les PDF numérisés par rapport aux PDF numériques natifs
Il convient de clarifier une idée fausse courante : tous les PDF n'ont pas besoin d'OCR. Un PDF créé directement à partir d'un traitement de texte, d'une feuille de calcul ou d'une application de conception contient déjà un calque de texte : les caractères sont stockés sous forme de données textuelles réelles et non de pixels. Vous pouvez sélectionner, copier et rechercher du texte dans ces fichiers sans aucun traitement OCR.
L'OCR n'est nécessaire que pour les PDF basés sur des images : fichiers créés en numérisant des documents papier, PDF exportés à partir de fichiers image ou PDF dans lesquels le texte a été converti en contours lors du processus d'exportation. Un test rapide consiste à essayer de sélectionner du texte dans le PDF : si vous pouvez mettre en surbrillance des mots individuels, le calque de texte est déjà présent. Si votre curseur se transforme en réticule ou si vous ne pouvez sélectionner que des régions rectangulaires, le contenu est basé sur une image et l'OCR le rendra consultable.
| Type de document | Précision OCR | Défis communs | Conseils |
|---|---|---|---|
| Texte imprimé propre | 95 à 99 % | Caractères similaires (0/O, l/1) | Utilisez une numérisation de 300 DPI ou plus |
| Documents dactylographiés | 90 à 97 % | Dégradation de l'encre, espaces du ruban | Contraste élevé avant OCR |
| Texte manuscrit | 60 à 85 % | Formes de lettres irrégulières, ligatures | Modèles d’écriture manuscrite spécialisés nécessaires |
| Numérisation basse résolution (moins de 150 DPI) | 50 à 80 % | Caractères flous, pixellisation | Re-numériser à un DPI plus élevé si possible |
| Écritures non latines (arabe, chinois) | 85 à 95 % | Complexité des personnages, directionnalité | Sélectionnez la bonne langue dans les paramètres OCR |
| Tableaux et formulaires complexes | 80 à 92 % | Bordures de cellules fusionnant avec le texte | Examiner manuellement les zones du tableau après l'OCR |
Comment appliquer l'OCR à un PDF
L'outil OCR PDF de WukongPDF gère le processus dans le navigateur. Téléchargez le PDF numérisé, sélectionnez la langue du document et convertissez-le. La sortie est un PDF consultable avec une couche de texte intégrée – visuellement identique à l’entrée, mais désormais entièrement consultable et sélectionnable par le texte. Les documents de plusieurs pages sont traités en une seule opération.
Pour une précision maximale sur les documents importants, numérisez à 300 DPI ou plus, utilisez un éclairage uniforme sans ombres et assurez-vous que la page est plate et droite avant de numériser. Plus l'image d'entrée est propre, meilleure est la sortie OCR : le prétraitement de la numérisation avant d'exécuter l'OCR est toujours payant pour les documents où la précision est importante.
Essayez l'OCR PDF
Aucune installation nécessaire. Fonctionne directement dans votre navigateur.