Comment extraire le texte d'une image ou d'un PDF scanné (une OCR qui marche vraiment)
La précision de l'OCR se joue avant de la lancer. Comment résolution, contraste et redressement changent le résultat, et comment obtenir un texte propre d'une page photographiée.
Mis à jour le 11 août 20265 min de lecture
La reconnaissance optique de caractères est devenue discrètement très bonne — assez bonne pour que, lorsqu'elle échoue, la cause soit presque toujours l'image d'entrée plutôt que le moteur. Une photo prise de biais dans une mauvaise lumière produira du charabia avec n'importe quel système OCR sur terre. Cinq minutes passées sur l'image en amont font couramment passer la précision d'environ 70 % à bien plus de 95 %, c'est-à-dire la différence entre un texte utilisable et un texte à retaper.
Ce que fait l'OCR
Le moteur travaille par étapes : trouver les zones de l'image qui contiennent du texte, déterminer les limites de lignes et de mots, segmenter les caractères, puis classer chaque forme par rapport à un modèle de ce à quoi ressemblent les lettres. Un modèle de langue nettoie ensuite le résultat, ce qui explique pourquoi rn devient correctement m dans un vrai mot mais pas dans un numéro de série.
Chaque étape dépend de la précédente. Si la détection des lignes échoue parce que la page penche, la segmentation des caractères travaille sur du n'importe quoi et aucune classification, si habile soit-elle, ne rattrape cela. C'est pourquoi la qualité de l'entrée domine tout.
Les quatre facteurs qui décident de la précision
| Facteur | Objectif | Pourquoi |
|---|---|---|
| Résolution | 300 DPI — environ 2500 px de large sur une page A4 | En dessous, les caractères ont trop peu de pixels pour être distingués |
| Redressement | À 1–2° de l'horizontale | La détection des lignes se dégrade vite avec l'inclinaison |
| Contraste | Texte sombre, fond clair et uniforme | Un faible contraste brouille la frontière des caractères |
| Planéité | Pas de courbure, pas de déformation trapézoïdale | Des lignes courbes cassent l'étape de détection des lignes |
La résolution est ce que l'on rate le plus souvent. Une capture d'écran de document à 800 px de large ne contient tout simplement pas assez de pixels par caractère pour une reconnaissance fiable, aussi nette paraisse-t-elle. Si vous le pouvez, refaites la prise à plus haute résolution plutôt que de tenter de sauver ce que vous avez.
Préparer une image pour l'OCR
Redressez-la
Même quelques degrés d'inclinaison nuisent. L'outil de redressement d'image détecte l'angle automatiquement ou vous laisse le régler à la main.
Corrigez la perspective
Une page photographiée de biais forme un trapèze, pas un rectangle, et les lignes de texte convergent. La correction de perspective ramène les quatre coins à un rectangle.
Recadrez sur le texte
Enlevez le bureau, les doigts qui tiennent la page et l'ombre sur le bord. Tout ce qui n'est pas du texte est quelque chose que l'étape de détection des zones doit écarter.
Montez le contraste s'il est plat
Un scan pâle ou une photo prise dans la pénombre gagne à un coup de contraste dans l'améliorateur d'images. N'allez pas jusqu'à faire éclater les traits fins.
Puis lancez l'OCR
Donnez l'image nettoyée à image vers texte. Comparer la sortie à votre première tentative révèle en général une différence frappante.
La reconnaissance tourne sur votre propre appareil — factures, contrats et pièces d'identité ne sont jamais envoyés.
Extraire le texte d'une imageLes PDF scannés sont un autre chantier
Vérifiez d'abord si l'OCR est seulement nécessaire. Ouvrez le PDF et essayez de sélectionner une ligne de texte. Si elle se surligne, la couche de texte existe déjà et vous devriez l'extraire directement plutôt que de refaire reconnaître des images de ce texte — l'extraction est exacte, l'OCR est une supposition.
Si le curseur dessine un rectangle sur une image, chaque page est une image et PDF vers texte lancera la reconnaissance dessus. Les documents multipages prennent proportionnellement plus de temps : testez d'abord sur une seule page (détachez-en une) avant d'en lancer deux cents.
Une bizarrerie à connaître : certains PDF ont une couche de texte qui est elle-même le résultat d'une mauvaise OCR faite il y a des années. Le texte se sélectionne, mais il est faux. Dans ce cas, refaire le rendu des pages en images avec PDF vers image à 300 DPI puis relancer la reconnaissance donne un meilleur résultat que de faire confiance à ce qui est là.
Ce qui résiste encore à l'OCR
- L'écriture manuscrite. L'OCR de texte imprimé et la reconnaissance d'écriture sont deux problèmes différents. Attendez-vous à de mauvais résultats en cursive, et à des résultats mitigés en capitales d'imprimerie soignées.
- Les tableaux complexes. Les caractères sont généralement bien lus ; la structure, non. Limites de colonnes et cellules fusionnées ressortent souvent mélangées : prévoyez de reconstruire la mise en page à la main.
- Les mises en page multicolonnes. Journaux et articles universitaires sont souvent lus en travers des colonnes, entrelaçant deux phrases sans rapport.
- Les typographies stylisées et décoratives. Logos, polices scriptes et titres très espacés sortent de ce que le modèle de caractères attend.
- Les documents à faible contraste. Tickets thermiques passés, papiers carbone et photocopies pâles perdent la frontière de caractères dont l'étape de segmentation a besoin.
Quelle que soit la source, relisez la sortie. Même à 98 % de précision par caractère, une page de 2 000 caractères porte une quarantaine d'erreurs — et les erreurs d'OCR se concentrent exactement là où elles comptent, comme les chiffres des numéros de référence et des coordonnées bancaires.
Comme la reconnaissance tourne entièrement sur votre propre appareil, aucun de ces contenus n'atteint un serveur. Cela compte pour les documents que l'on veut le plus souvent convertir : factures, relevés bancaires, courriers médicaux et papiers d'identité.
Questions fréquentes
Quelle est la précision de l'OCR ?
Sur un scan propre à 300 DPI de texte imprimé, bien au-delà de 98 % de précision par caractère. Sur une photo de téléphone prise de biais dans une mauvaise lumière, elle peut tomber sous 70 %. L'écart tient presque entièrement à l'entrée — redresser, recadrer et capturer à plus haute résolution compte plus que le choix du moteur.
L'OCR peut-elle lire l'écriture manuscrite ?
Pas de façon fiable. La reconnaissance de texte imprimé et celle de l'écriture manuscrite sont deux problèmes différents, et l'OCR généraliste est faite pour la première. Des capitales d'imprimerie soignées passent parfois ; la cursive, généralement pas.
Pourquoi ma sortie OCR est-elle pleine de caractères absurdes ?
Généralement à cause de la résolution ou de l'inclinaison. Si l'image est nettement sous 300 DPI — environ 2500 px de large pour une page A4 —, les caractères ont trop peu de pixels pour être distingués. Si elle penche de plus de deux degrés, la détection des lignes échoue et tout ce qui suit hérite de l'erreur.
Est-il prudent de passer des documents confidentiels à l'OCR en ligne ?
Seulement si l'outil fonctionne localement. Le nôtre effectue la reconnaissance sur votre propre appareil, donc factures, contrats et pièces d'identité ne sont jamais transmis — et c'est exactement la catégorie de fichiers que l'on a le plus souvent besoin de convertir.