OCR et documents numérisés : rendre le papier numérique et consultable

La qualité de la sortie OCR dépend directement de la qualité de l'image d'entrée. Investir du temps dans une configuration de numérisation appropriée rapporte des dividendes en termes de précision de reconnaissance. La résolution est le facteur le plus important : numérisez à 300 DPI au minimum pour du texte standard. Pour du texte petit (inférieur à 10 points), des notes de bas de page ou des mentions légales, numérisez à 400-600 DPI. Numériser au-dessus de 600 DPI améliore rarement la précision de l'OCR et augmente significativement la taille du fichier et le temps de traitement.

Le mode de couleur affecte à la fois la taille du fichier et la précision. Pour les documents uniquement textuels, la numérisation en niveaux de gris offre le meilleur équilibre entre précision et taille de fichier. La numérisation en couleur n'est nécessaire que lorsque la couleur est significative (formulaires à codes couleur, photographies dans les documents, texte coloré). La numérisation monochrome (1 bit) est la plus rapide et produit les fichiers les plus petits mais peut perdre des détails dans les caractères à traits fins ou à faible contraste.

La technique de numérisation physique est également importante. Assurez-vous que le document est bien à plat contre la vitre du scanner ; même une légère courbure provoque une distorsion qui dégrade la précision de l'OCR. Nettoyez régulièrement la vitre du scanner, car les grains de poussière deviennent des artefacts dans la numérisation. Pour les documents reliés, utilisez un scanner de livres ou un scanner avec une capacité bord à bord plutôt que de forcer le livre à plat, ce qui déforme la page près de la reliure. Si vous utilisez un appareil photo de téléphone ou un scanner aérien, assurez-vous d'un éclairage uniforme sans ombres sur la page et gardez l'appareil photo parallèle à la surface du document.

Même avec de bonnes pratiques de numérisation, le prétraitement de l'image avant l'OCR peut améliorer significativement la précision. Le redressement corrige le désalignement rotationnel. Même une inclinaison de 1 à 2 degrés peut réduire la précision car les systèmes OCR s'attendent à ce que les lignes de texte soient horizontales. La plupart des logiciels OCR incluent un redressement automatique, mais si vos images sont fréquemment désalignées, appliquer un algorithme de redressement dédié au préalable peut aider.

La binarisation (conversion en noir et blanc) est critique pour la précision de l'OCR. Les méthodes de binarisation adaptative comme Sauvola ou Niblack ajustent le seuil localement sur l'image, gérant les variations d'éclairage, de couleur du papier et de densité d'encre. C'est bien supérieur à un seuil global, qui peut bien fonctionner pour une partie de la page mais échouer là où l'arrière-plan est plus sombre ou l'encre plus claire.

La suppression du bruit élimine les petits artefacts qui peuvent être identifiés à tort comme des caractères ou de la ponctuation. Les opérations morphologiques (érosion et dilatation) peuvent supprimer les points tout en préservant le texte. Pour les documents avec du texte transparaissant (texte du verso visible à travers le papier), des algorithmes spécialisés peuvent distinguer le texte du recto des artefacts du verso en se basant sur le contraste et les caractéristiques des bords. L'amélioration du contraste et la netteté peuvent améliorer la reconnaissance du texte effacé, bien qu'un excès de netteté puisse introduire des artefacts. Testez les paramètres de prétraitement sur un échantillon représentatif de pages avant de traiter un document entier.

Plusieurs moteurs OCR sont disponibles, chacun avec des forces différentes. Tesseract, développé à l'origine par HP Labs et maintenant maintenu par Google, est le principal moteur OCR open source. Tesseract 5.x utilise des réseaux de neurones LSTM (Long Short-Term Memory) et prend en charge plus de 100 langues. Il excelle sur le texte imprimé en bon état mais a du mal avec l'écriture manuscrite, les mises en page complexes et les documents dégradés.

ABBYY FineReader est un moteur OCR commercial largement reconnu pour sa précision, en particulier sur les documents difficiles. Il gère les mises en page complexes (multi-colonnes, tableaux, contenu mixte), les originaux dégradés et un large éventail de langues, y compris le CJK (chinois, japonais, coréen). Son avantage en termes de précision par rapport aux alternatives open source est le plus prononcé sur les entrées difficiles.

Pour les applications basées sur le navigateur, Tesseract.js apporte le moteur Tesseract en JavaScript, permettant le traitement OCR entièrement dans le navigateur de l'utilisateur sans télécharger de documents sur un serveur. Bien que plus lent que le Tesseract natif (fonctionnant en WebAssembly), il offre des performances utilisables pour le traitement d'une seule page ou de petits documents. L'avantage en matière de confidentialité du traitement côté client est significatif pour les documents sensibles. D'autres options incluent Google Cloud Vision OCR et Amazon Textract, qui offrent une haute précision via des API cloud mais nécessitent le téléchargement des documents sur leurs serveurs.

La précision de l'OCR varie significativement selon les langues et les scripts. Les langues à alphabet latin (anglais, français, allemand, espagnol) atteignent généralement la précision la plus élevée car les systèmes OCR ont été entraînés sur les plus grands ensembles de données pour ces langues. Des taux de précision de 98-99 % par caractère sont courants pour des documents propres et modernes dans ces langues.

Les scripts CJK présentent des défis uniques en raison de leurs grands ensembles de caractères. Le chinois compte des milliers de caractères couramment utilisés, contre moins de 100 pour l'anglais. Cela signifie plus de confusion potentielle entre des caractères visuellement similaires. Le japonais ajoute de la complexité en mélangeant trois scripts (Kanji, Hiragana, Katakana) plus les caractères latins. Le Hangul coréen, bien que systématique dans sa construction à partir de jamo (composants consonantiques et vocaliques), nécessite la reconnaissance à la fois des jamo individuels et des blocs syllabiques complets.

Pour les documents multilingues, les systèmes OCR doivent détecter la langue de chaque zone de texte et appliquer le modèle de reconnaissance approprié. Certains moteurs prennent en charge la détection automatique de la langue, tandis que d'autres nécessitent que l'utilisateur spécifie les langues attendues. Lors du traitement d'un document contenant plusieurs langues, spécifiez toutes les langues attendues pour empêcher le moteur de reconnaître à tort le texte d'une langue comme appartenant à une autre. Pour de meilleurs résultats avec les scripts non latins, utilisez un moteur OCR avec une prise en charge solide du script spécifique et assurez-vous que les fichiers de données linguistiques (données d'entraînement) du moteur sont installés pour toutes les langues concernées.

Le flux de travail le plus courant pour les documents numérisés consiste à créer un PDF consultable où l'image numérisée originale est préservée mais une couche de texte invisible est superposée, permettant la recherche, la sélection et la copie de texte. C'est parfois appelé un « PDF sandwich » car la couche de texte se trouve au-dessus de la couche d'image. L'apparence visuelle est identique à la numérisation originale, mais le contenu textuel est accessible.

Pour créer un PDF consultable, le moteur OCR reconnaît le texte dans l'image numérisée et enregistre la position (cadre englobant) de chaque mot. Une couche de texte transparente est ensuite ajoutée au PDF avec chaque mot reconnu positionné exactement au-dessus de son homologue dans l'image. Lorsqu'un utilisateur recherche un mot, le lecteur PDF le fait correspondre avec la couche de texte. Lorsque l'utilisateur sélectionne du texte, le lecteur met en surbrillance la zone correspondante de l'image.

À des fins d'archivage, combiner l'OCR avec la conformité PDF/A est idéal. Un document PDF/A consultable préserve la fidélité visuelle de la numérisation originale (importante pour les documents juridiques et historiques), permet la recherche plein texte et respecte les normes de préservation à long terme. Des outils comme ABBYY FineReader, Kofax et le projet open source OCRmyPDF peuvent créer des PDF consultables conformes au PDF/A à partir d'images numérisées. OCRmyPDF est particulièrement utile pour le traitement par lots : il prend des PDF existants (numérisés ou basés sur des images) et ajoute une couche de texte OCR tout en convertissant optionnellement au format PDF/A.

La précision de l'OCR est généralement mesurée à deux niveaux : la précision par caractère et la précision par mot. La précision par caractère est le pourcentage de caractères individuels correctement reconnus. La précision par mot est plus stricte, car une seule erreur de caractère rend le mot entier incorrect. Une précision par caractère de 98 % pourrait se traduire par une précision par mot de seulement 90 % pour des documents avec une longueur moyenne de mot de 5 caractères.

Pour mesurer la précision, comparez la sortie OCR à une vérité terrain transcrite manuellement. Pour un suivi continu de la qualité, créez un jeu de test de pages représentatives de vos types de documents et mesurez la précision périodiquement. Des outils comme ocreval et ISRI Analytic Tools automatisent la mesure de la précision par rapport au texte de vérité terrain.

Lorsque la précision est inférieure aux attentes, un diagnostic systématique aide à identifier la cause. Si les erreurs se regroupent autour de caractères spécifiques (par exemple, confusion entre « l » et « 1 », « O » et « 0 »), le problème peut être lié à la police ou à la résolution. Si les erreurs se concentrent dans des régions spécifiques de la page (marges, en-têtes, pieds de page), l'analyse de mise en page peut mal identifier ces régions. Si la précision se dégrade sur certaines pages, ces pages peuvent présenter des problèmes de qualité spécifiques (taches, décoloration, dommages physiques) nécessitant un prétraitement ciblé.

La correction post-OCR peut améliorer les résultats. La vérification orthographique et la recherche dans le dictionnaire détectent de nombreuses erreurs. Les expressions régulières peuvent corriger les erreurs systématiques (par exemple, remplacer « rn » par « m » lorsque la police provoque cette confusion). Pour les documents de grande valeur, la révision humaine reste nécessaire. Une approche combinée de correction automatisée suivie d'une révision humaine des mots à faible confiance offre le meilleur équilibre entre efficacité et précision.