Convertir une image en texte (OCR)

OCR signifie reconnaissance optique de caractères : un logiciel examine les pixels d'une image, repère les zones qui contiennent de l'écriture et détermine quels caractères elles représentent. Le résultat est un vrai texte que vous pouvez rechercher, modifier, coller dans un document ou importer dans un tableur, au lieu d'une image de texte qu'il faudrait sinon retaper à la main.

Krawly utilise Tesseract, un moteur OCR open source de longue date. Il a d'abord été développé chez Hewlett-Packard, publié en open source en 2005, puis amélioré avec le soutien de Google. Ici, il fonctionne sous la forme de Tesseract.js, une version compilée en WebAssembly qui s'exécute dans une page web sans aucun serveur. Pour simplifier, le moteur nettoie l'image pour obtenir un texte sombre sur fond clair, découpe la page en blocs, en lignes et en mots, puis reconnaît chaque ligne avec un modèle entraîné pour la langue choisie.

C'est pour cette dernière étape que le choix de la langue compte. Chaque langue a son propre modèle, avec son alphabet, ses lettres accentuées et ses formes de mots courantes. Si vous demandez au moteur de lire de l'anglais alors que l'image est en polonais ou en vietnamien, il essaiera quand même, mais les lettres avec diacritiques seront mal reconnues. Pour un texte français, sélectionner le français est indispensable pour bien obtenir les é, è, à, ç et autres accents. Choisir la bonne langue, ou une combinaison de trois au maximum, est l'un des moyens les plus simples d'obtenir un résultat plus propre.

L'OCR fonctionne le mieux sur un texte imprimé net, bien contrasté et aux lignes droites. Les captures d'écran sont généralement idéales, car le texte y est net et parfaitement horizontal. Pour les numérisations, environ 300 DPI est un bon objectif : assez pour que les petites lettres aient des contours propres, sans créer de fichiers énormes. Si vous photographiez une page avec votre téléphone, remplissez le cadre avec le document, tenez l'appareil parallèle à la feuille et évitez l'ombre de votre main ou du téléphone.

Le contraste compte plus que la couleur. Un texte noir sur papier blanc est facile ; un texte gris clair sur fond beige, ou un texte blanc sur une photo chargée, est bien plus difficile. Si le résultat est médiocre, recadrez l'image sur la zone de texte, faites-la pivoter pour que les lignes soient horizontales et augmentez le contraste dans un éditeur photo avant de relancer l'OCR. Les lignes de travers, courbées ou déformées par la perspective, comme sur une page photographiée près de la reliure d'un livre, sont une cause fréquente de mots manquants.

Un texte très petit pose aussi souvent problème. Quand les lettres ne font que quelques pixels de haut, il n'y a pas assez de détails pour distinguer un e d'un c ou un l d'un 1. Zoomer avant de faire la capture d'écran, ou numériser à une résolution plus élevée, aide généralement plus que n'importe quelle retouche après coup. Gardez en tête qu'agrandir une image déjà petite ne peut pas ajouter de détails qui n'ont jamais été capturés.

Tesseract est conçu pour le texte imprimé. L'écriture manuscrite, les notes en cursive, les signatures et les polices très stylisées ou décoratives donnent généralement des résultats médiocres, voire inutilisables. Il en va de même pour les photos en basse résolution, floues ou très compressées. Si votre image entre dans l'un de ces cas, attendez-vous à corriger une bonne partie du résultat à la main, ou à retaper le texte.

Le résultat est du texte brut. Les colonnes, les tableaux, le gras et l'italique, les tailles de police et les images ne sont pas conservés. Un article sur deux colonnes est mis à plat en lignes de texte, et un tableau devient des rangées de mots séparés par des espaces : vous devrez peut-être remettre la structure en ordre après l'avoir collé ailleurs. Cet outil ne produit ni documents Word ni feuilles de calcul.

Chaque image reçoit aussi un pourcentage de confiance moyen. C'est la propre estimation du moteur sur sa certitude quant aux mots reconnus, pas une garantie de précision, mais c'est un signal utile : un score nettement plus bas signifie généralement que l'image doit être plus nette, plus droite ou recadrée plus serré.

On passe souvent des documents sensibles à l'OCR : tickets de caisse pour une note de frais, captures d'écran de conversations ou d'applications bancaires, factures, contrats, cartes d'identité et courriers. Beaucoup de services d'OCR en ligne envoient ces images sur un serveur pour les traiter. Krawly, non. La reconnaissance se fait entièrement dans votre navigateur avec JavaScript et WebAssembly, et vos images ne sont jamais envoyées aux serveurs de Krawly.

Les seuls éléments que votre navigateur télécharge sont des fichiers programme : le moteur Tesseract et le modèle de chaque langue choisie, quelques mégaoctets chacun. Après le premier lancement, ils sont mis en cache, si bien que les lancements suivants démarrent plus vite. L'image et le texte reconnu restent dans la mémoire de la page, rien n'est conservé, et fermer l'onglet efface tout.

Comme le travail se fait sur votre appareil, la vitesse dépend de votre matériel. Un ordinateur portable récent traite une capture d'écran rapidement ; un téléphone plus ancien met plus de temps sur de grandes photos. L'outil fonctionne dans les versions récentes de Chrome, Edge, Firefox et Safari, sur ordinateur comme sur mobile, et il est gratuit, sans inscription, sans e-mail et sans limite quotidienne.