OCR illisible : accents perdus, lettres fausses, lignes mélangées

Vous avez passé un scan à la reconnaissance de texte, copié un paragraphe, et vous récupérez quelque chose comme « Le chien de Francois a mange la tarte a la creme ». Ou bien les mots sont justes, mais un bout de la quatrième ligne s'est invité dans la deuxième. L'OCR devine des lettres à partir de pixels, et quand elle devine mal, la cause tient le plus souvent à la langue ou à l'image de la page, pas à un réglage caché.

Pour un texte en français, commencez par la langue

Autant le dire d'emblée : notre OCR ne lit que l'anglais, et il n'y a aucun réglage de langue à changer. Sur une page en français, la plupart des mots passent, mais les lettres accentuées souffrent. Les é, è et à perdent leur accent ou deviennent une lettre voisine, le ç devient souvent un simple c, et le œ de cœur ou de sœur ressort mal lui aussi. Si c'est exactement ce que vous voyez, le scan n'est pas forcément en cause.

La vraie solution passe par un logiciel d'OCR doté du pack de langue française. Si vous êtes à l'aise avec la ligne de commande, ocrmypdf (l'outil libre sur lequel repose le nôtre) le fait très bien sur votre propre machine avec l'option -l fra+eng, une fois le pack fra de Tesseract installé. Le +eng aide pour les mots anglais qui traînent dans les documents techniques. Sur notre site, comptez sur un texte exploitable pour la recherche, et prévoyez de reprendre les accents à la main si vous devez citer le texte.

Regardez toute la couche de texte

Une recherche dans un lecteur PDF vous dit seulement si un mot a été trouvé. Pour voir tout ce que l'OCR a produit, passez le fichier traité dans PDF en Texte et lisez le .txt obtenu. Vous tomberez en général sur l'un de ces cas :

• Une page vide. Elle était à l'envers ou couchée, trop pâle, ou elle a été ignorée.
• De vrais mots dans le désordre. Problème de mise en page : colonnes, tableaux ou page de travers.
• Des mots bourrés de fautes. En cause, la qualité de l'image, la police ou la langue.

PDF en Texte a d'ailleurs sa propre case « Lancer l'OCR ». Elle utilise le même moteur qu'OCR PDF, ce qui permet de passer directement du scan au texte en une étape si seul le .txt vous intéresse.

La page contenait déjà du texte

Notre OCR saute toute page qui contient déjà du texte, pour ne jamais écrire par-dessus des mots existants. C'est le plus souvent ce qu'on veut. Mais cela se retourne contre vous quand ce texte existant est lui-même du charabia : certains scanners font leur propre OCR approximative, et certains PDF utilisent des polices qui se copient sous forme de symboles parce que le fichier n'a jamais enregistré à quelle lettre correspond chaque glyphe. L'outil voit du texte, laisse la page tranquille et vous rend le même désordre.

La parade consiste à aplatir d'abord les pages en simples images :

1. Convertissez le PDF avec PDF en JPG, en choisissant Haute (300 DPI).
2. Remettez les JPG dans un seul PDF avec JPG en PDF. Vérifiez l'ordre avant de lancer la conversion, car Trier par nom place page_10 avant page_2. Les flèches haut et bas permettent de corriger.
3. Passez le nouveau fichier dans OCR PDF.

La copie aplatie perd les liens et les champs de formulaire, gardez donc l'original. En ligne de commande, ocrmypdf propose les options --force-ocr et --redo-ocr pour exactement ce cas.

Corrigez le scan, pas les réglages

Tesseract, le moteur qui fait la reconnaissance, donne le meilleur de lui-même sur des pages propres et droites, numérisées vers 300 dpi. La plupart des résultats illisibles viennent de l'un de ces défauts :

• Résolution trop faible ou image floue. Refaites le scan à 300 dpi, voire 400 pour les petits caractères. Agrandir une image floue après coup ne fait pas revenir les détails.
• Une page de travers. Nous ne redressons pas les pages avant de les lire, et quelques degrés d'inclinaison suffisent à couper des lignes en morceaux et à recoller des fragments de lignes différentes. Refaites le scan bien droit, ou utilisez une appli de numérisation qui recadre et redresse automatiquement.
• Pages couchées ou à l'envers. Elles ne sont pas non plus pivotées automatiquement. Passez d'abord le fichier dans Pivoter PDF, sachant qu'il fait tourner toutes les pages.
• Contraste faible. Les doubles carbone pâlis, le crayon à papier et le papier de couleur rendent les lettres plus difficiles à distinguer du fond.

Ce que l'OCR lit mal quoi qu'on fasse

L'écriture manuscrite avant tout. Tesseract est conçu pour le texte imprimé, et les annotations en cursive dans la marge deviennent du bruit. Les polices de style calligraphique ou très décoratives posent le même genre de souci, tout comme le texte imprimé sur une photo ou un fond à motifs. Les tableaux et les pages en plusieurs colonnes sont souvent reconnus caractère par caractère, mais lus d'un bord à l'autre de la page : le texte est consultable par recherche, et n'a plus aucun sens une fois copié. Dans ces cas-là, l'OCR vous donne la recherche ; pour un texte exact, il reste la ressaisie.

Questions fréquentes

Relancer l'OCR une deuxième fois améliore-t-il le résultat ?

Non. Le deuxième passage trouve la couche de texte du premier et saute toutes les pages. Aplatissez le fichier comme expliqué plus haut, ou mieux, repartez d'un scan plus propre.

Pourquoi 0 et O, ou 1 et l, sont-ils sans cesse confondus ?

À basse résolution, ces caractères ont presque la même forme et le moteur doit trancher. Un scan plus net aide beaucoup. Pour le total d'une facture, un IBAN ou tout ce où un chiffre faux pose problème, comparez le texte reconnu à l'image de la page avant de vous y fier.