La reconnaissance optique de caractères (OCR) transforme les images de texte (scans, photos de smartphone, PDF) en chaînes de caractères lisibles par machine et, de plus en plus, en données structurées. L'OCR moderne est un pipeline qui nettoie une image, trouve du texte, le lit et exporte des métadonnées riches afin que les systèmes en aval puissent rechercher, indexer ou extraire des champs. Deux normes de sortie largement utilisées sont hOCR, un microformat HTML pour le texte et la mise en page, et ALTO XML, un schéma orienté bibliothèque/archives ; tous deux préservent les positions, l'ordre de lecture et d'autres indices de mise en page et sont pris en charge par des moteurs populaires comme Tesseract.
Prétraitement. La qualité de l'OCR commence par le nettoyage de l'image : conversion en niveaux de gris, débruitage, seuillage (binarisation) et redressement. Les tutoriels canoniques d'OpenCV couvrent le seuillage global, adaptatif et d'Otsu — des incontournables pour les documents avec un éclairage non uniforme ou des histogrammes bimodaux. Lorsque l'éclairage varie au sein d'une page (pensez aux photos de téléphone), les méthodes adaptatives surpassent souvent un seuil global unique ; Otsu choisit automatiquement un seuil en analysant l'histogramme. La correction de l'inclinaison est tout aussi importante : le redressement basé sur Hough (Transformée de Hough) associé à la binarisation d'Otsu est une recette courante et efficace dans les pipelines de prétraitement de production.
Détection vs. reconnaissance. L'OCR est généralement divisé en détection de texte (où se trouve le texte ?) et reconnaissance de texte (que dit-il ?). Dans les scènes naturelles et de nombreux scans, les détecteurs entièrement convolutifs comme EAST prédisent efficacement des quadrilatères au niveau du mot ou de la ligne sans étapes de proposition lourdes et sont implémentés dans des boîtes à outils courantes (par exemple, le tutoriel de détection de texte d'OpenCV). Sur les pages complexes (journaux, formulaires, livres), la segmentation des lignes/régions et l'inférence de l'ordre de lecture sont importantes :Kraken implémente la segmentation traditionnelle de zones/lignes et la segmentation neuronale de ligne de base, avec un support explicite pour différents scripts et directions (LTR/RTL/vertical).
Modèles de reconnaissance. Le classique cheval de bataille open-source Tesseract (open-sourcé par Google, avec des racines chez HP) a évolué d'un classifieur de caractères en un reconnaisseur de séquence basé sur LSTM et peut émettre des PDF consultables, des sorties compatibles hOCR/ALTO, et plus encore depuis la CLI. Les reconnaisseurs modernes s'appuient sur la modélisation de séquence sans caractères pré-segmentés. La classification temporelle connexionniste (CTC) reste fondamentale, apprenant les alignements entre les séquences de caractéristiques d'entrée et les chaînes d'étiquettes de sortie ; elle est largement utilisée dans les pipelines d'écriture manuscrite et de texte de scène.
Ces dernières années, les Transformers ont remodelé l'OCR. TrOCR utilise un encodeur Vision Transformer plus un décodeur Text Transformer, entraîné sur de grands corpus synthétiques puis affiné sur des données réelles, avec de solides performances sur les benchmarks de texte imprimé, manuscrit et de scène (voir aussi la documentation de Hugging Face). En parallèle, certains systèmes contournent l'OCR pour la compréhension en aval : Donut (Document Understanding Transformer) est un encodeur-décodeur sans OCR qui produit directement des réponses structurées (comme du JSON clé-valeur) à partir d'images de documents (repo, carte de modèle), évitant l'accumulation d'erreurs lorsqu'une étape OCR distincte alimente un système d'IE.
Si vous voulez une lecture de texte clés en main sur de nombreux scripts, EasyOCR offre une API simple avec plus de 80 modèles linguistiques, renvoyant des boîtes, du texte et des confiances — pratique pour les prototypes et les scripts non latins. Pour les documents historiques, Kraken brille par sa segmentation de ligne de base et son ordre de lecture sensible au script ; pour un entraînement flexible au niveau de la ligne, Calamari s'appuie sur la lignée d'Ocropy (Ocropy) avec des reconnaisseurs (multi-)LSTM+CTC et une CLI pour affiner des modèles personnalisés.
La généralisation dépend des données. Pour l'écriture manuscrite, la base de données d'écriture manuscrite IAM fournit des phrases en anglais de divers scripteurs pour l'entraînement et l'évaluation ; c'est un ensemble de référence de longue date pour la reconnaissance de lignes et de mots. Pour le texte de scène, COCO-Text a superposé des annotations étendues sur MS-COCO, avec des étiquettes pour l'imprimé/manuscrit, lisible/illisible, le script et les transcriptions complètes (voir aussi la page originale du projet). Le domaine s'appuie également fortement sur le pré-entraînement synthétique : SynthText in the Wild rend le texte dans des photographies avec une géométrie et un éclairage réalistes, fournissant d'énormes volumes de données pour pré-entraîner les détecteurs et les reconnaisseurs (référence code et données).
Les compétitions sous l'égide de la lecture robuste d'ICDAR maintiennent l'évaluation sur le terrain. Les tâches récentes mettent l'accent sur la détection/lecture de bout en bout et incluent la liaison de mots en phrases, avec le code officiel rapportant précision/rappel/F-score, l'intersection sur l'union (IoU) et les métriques de distance d'édition au niveau du caractère — reflétant ce que les praticiens devraient suivre.
L'OCR se termine rarement par du texte brut. Les archives et les bibliothèques numériques préfèrent ALTO XML car il encode la mise en page physique (blocs/lignes/mots avec coordonnées) ainsi que le contenu, et il se marie bien avec l'empaquetage METS. Le microformat hOCR , en revanche, intègre la même idée dans HTML/CSS en utilisant des classes comme ocr_line et ocrx_word, ce qui facilite l'affichage, la modification et la transformation avec des outils web. Tesseract expose les deux — par exemple, en générant du hOCR ou des PDF consultables directement depuis la CLI (guide de sortie PDF) ; les wrappers Python comme pytesseract ajoutent de la commodité. Il existe des convertisseurs pour traduire entre hOCR et ALTO lorsque les dépôts ont des normes d'ingestion fixes — voir cette liste organisée d' outils de format de fichier OCR.
La tendance la plus forte est la convergence : la détection, la reconnaissance, la modélisation du langage et même le décodage spécifique à la tâche fusionnent dans des piles de Transformers unifiées. Le pré-entraînement sur de grands corpus synthétiques reste un multiplicateur de force. Les modèles sans OCR seront en concurrence agressive partout où la cible est des sorties structurées plutôt que des transcriptions littérales. Attendez-vous également à des déploiements hybrides : un détecteur léger plus un reconnaisseur de style TrOCR pour le texte long, et un modèle de style Donut pour les formulaires et les reçus.
Tesseract (GitHub) · Documentation de Tesseract · Spécification hOCR · Contexte ALTO · Détecteur EAST · Détection de texte OpenCV · TrOCR · Donut · COCO-Text · SynthText · Kraken · Calamari OCR · ICDAR RRC · pytesseract · Écriture manuscrite IAM · Outils de format de fichier OCR · EasyOCR
La reconnaissance optique de caractères (OCR) est une technologie utilisée pour convertir différents types de documents, tels que des documents papier numérisés, des fichiers PDF ou des images capturées par un appareil photo numérique, en données modifiables et recherchables.
L'OCR fonctionne en numérisant une image ou un document d'entrée, en segmentant l'image en caractères individuels, et en comparant chaque caractère avec une base de données de formes de caractères en utilisant la reconnaissance de formes ou la reconnaissance de caractéristiques.
L'OCR est utilisé dans une variété de secteurs et d'applications, y compris la numérisation de documents imprimés, l'activation des services de texte en parole, l'automatisation des processus de saisie de données, et l'aide aux utilisateurs malvoyants pour mieux interagir avec le texte.
Bien que des progrès importants aient été faits dans la technologie OCR, elle n'est pas infaillible. La précision peut varier en fonction de la qualité du document original et des spécificités du logiciel OCR utilisé.
Bien que l'OCR soit principalement conçu pour le texte imprimé, certains systèmes OCR avancés sont également capables de reconnaître une écriture manuelle claire et cohérente. Cependant, la reconnaissance de l'écriture manuelle est généralement moins précise en raison de la grande variation des styles d'écriture individuels.
Oui, de nombreux systèmes logiciels OCR peuvent reconnaître plusieurs langues. Cependant, il est important de s'assurer que la langue spécifique est prise en charge par le logiciel que vous utilisez.
OCR signifie Optical Character Recognition et est utilisé pour reconnaître le texte imprimé, tandis que ICR, ou Intelligent Character Recognition, est plus avancé et est utilisé pour reconnaître le texte écrit à la main.
L'OCR fonctionne mieux avec des polices claires et faciles à lire et des tailles de texte standard. Bien qu'il puisse fonctionner avec différentes polices et tailles, la précision a tendance à diminuer lorsqu'on traite des polices inhabituelles ou des tailles de texte très petites.
L'OCR peut avoir du mal avec les documents de faible résolution, les polices complexes, les textes mal imprimés, l'écriture manuelle, et les documents avec des arrière-plans qui interfèrent avec le texte. De plus, bien qu'il puisse fonctionner avec de nombreuses langues, il ne couvre peut-être pas parfaitement toutes les langues.
Oui, l'OCR peut numériser du texte en couleur et des arrière-plans en couleur, bien qu'il soit généralement plus efficace avec des combinaisons de couleurs à contraste élevé, comme le texte noir sur un fond blanc. La précision peut diminuer lorsque les couleurs du texte et de l'arrière-plan manquent de contraste suffisant.
JPEG, qui signifie Joint Photographic Experts Group, est une méthode couramment utilisée de compression avec perte pour les images numériques, en particulier pour les images produites par la photographie numérique. Le degré de compression peut être ajusté, permettant un compromis sélectionnable entre la taille de stockage et la qualité de l'image. JPEG atteint généralement une compression de 10:1 avec une perte de qualité d'image peu perceptible.
L'algorithme de compression JPEG est au cœur de la norme JPEG. Le processus commence par une image numérique convertie de son espace colorimétrique RVB typique en un espace colorimétrique différent appelé YCbCr. L'espace colorimétrique YCbCr sépare l'image en luminance (Y), qui représente les niveaux de luminosité, et en chrominance (Cb et Cr), qui représentent les informations de couleur. Cette séparation est bénéfique car l'œil humain est plus sensible aux variations de luminosité qu'à la couleur, ce qui permet à la compression d'en tirer parti en compressant davantage les informations de couleur que la luminance.
Une fois que l'image est dans l'espace colorimétrique YCbCr, l'étape suivante du processus de compression JPEG consiste à sous-échantillonner les canaux de chrominance. Le sous-échantillonnage réduit la résolution des informations de chrominance, ce qui n'affecte généralement pas de manière significative la qualité perçue de l'image, en raison de la sensibilité moindre de l'œil humain aux détails de couleur. Cette étape est facultative et peut être ajustée en fonction de l'équilibre souhaité entre la qualité de l'image et la taille du fichier.
Après le sous-échantillonnage, l'image est divisée en blocs, généralement de 8x8 pixels. Chaque bloc est ensuite traité séparément. La première étape du traitement de chaque bloc consiste à appliquer la transformée en cosinus discrète (DCT). La DCT est une opération mathématique qui transforme les données du domaine spatial (les valeurs des pixels) en domaine fréquentiel. Le résultat est une matrice de coefficients de fréquence qui représentent les données du bloc d'image en termes de ses composantes de fréquence spatiale.
Les coefficients de fréquence résultant de la DCT sont ensuite quantifiés. La quantification est le processus de mappage d'un grand ensemble de valeurs d'entrée vers un ensemble plus petit - dans le cas de JPEG, cela signifie réduire la précision des coefficients de fréquence. C'est là que se produit la partie avec perte de la compression, car certaines informations d'image sont supprimées. L'étape de quantification est contrôlée par une table de quantification, qui détermine le degré de compression appliqué à chaque composante de fréquence. Les tables de quantification peuvent être ajustées pour favoriser une qualité d'image supérieure (moins de compression) ou une taille de fichier plus petite (plus de compression).
Après la quantification, les coefficients sont disposés dans un ordre en zigzag, en partant du coin supérieur gauche et en suivant un modèle qui donne la priorité aux composantes de fréquence inférieure par rapport aux composantes de fréquence supérieure. En effet, les composantes de fréquence inférieure (qui représentent les parties les plus uniformes de l'image) sont plus importantes pour l'apparence générale que les composantes de fréquence supérieure (qui représentent les détails et les bords plus fins).
L'étape suivante du processus de compression JPEG est le codage entropique, qui est une méthode de compression sans perte. La forme la plus courante de codage entropique utilisée dans JPEG est le codage de Huffman, bien que le codage arithmétique soit également une option. Le codage de Huffman fonctionne en attribuant des codes plus courts aux occurrences plus fréquentes et des codes plus longs aux occurrences moins fréquentes. Étant donné que l'ordre en zigzag tend à regrouper des coefficients de fréquence similaires, il augmente l'efficacité du codage de Huffman.
Une fois le codage entropique terminé, les données compressées sont stockées dans un format de fichier conforme à la norme JPEG. Ce format de fichier comprend un en-tête qui contient des informations sur l'image, telles que ses dimensions et les tables de quantification utilisées, suivies des données d'image codées par Huffman. Le format de fichier prend également en charge l'inclusion de métadonnées, telles que les données EXIF, qui peuvent contenir des informations sur les paramètres de l'appareil photo utilisés pour prendre la photo, la date et l'heure de la prise de vue, ainsi que d'autres détails pertinents.
Lorsqu'une image JPEG est ouverte, le processus de décompression inverse essentiellement les étapes de compression. Les données codées par Huffman sont décodées, les coefficients de fréquence quantifiés sont déquantifiés à l'aide des mêmes tables de quantification qui ont été utilisées pendant la compression, et la transformée en cosinus discrète inverse (IDCT) est appliquée à chaque bloc pour reconvertir les données du domaine fréquentiel en valeurs de pixels du domaine spatial.
Les processus de déquantification et d'IDCT introduisent quelques erreurs en raison de la nature avec perte de la compression, c'est pourquoi JPEG n'est pas idéal pour les images qui subiront plusieurs modifications et réenregistrements. Chaque fois qu'une image JPEG est enregistrée, elle passe à nouveau par le processus de compression et des informations d'image supplémentaires sont perdues. Cela peut entraîner une dégradation notable de la qualité de l'image au fil du temps, un phénomène connu sous le nom de « perte de génération ».
Malgré la nature avec perte de la compression JPEG, il reste un format d'image populaire en raison de sa flexibilité et de son efficacité. Les images JPEG peuvent être de très petite taille, ce qui les rend idéales pour une utilisation sur le Web, où la bande passante et les temps de chargement sont des considérations importantes. De plus, la norme JPEG inclut un mode progressif, qui permet de coder une image de manière à ce qu'elle puisse être décodée en plusieurs passes, chaque passe améliorant la résolution de l'image. Ceci est particulièrement utile pour les images Web, car cela permet d'afficher rapidement une version de faible qualité de l'image, la qualité s'améliorant à mesure que davantage de données sont téléchargées.
JPEG présente également certaines limites et n'est pas toujours le meilleur choix pour tous les types d'images. Par exemple, il n'est pas bien adapté aux images avec des bords nets ou du texte à contraste élevé, car la compression peut créer des artefacts visibles autour de ces zones. De plus, JPEG ne prend pas en charge la transparence, qui est une fonctionnalité fournie par d'autres formats comme PNG et GIF.
Pour remédier à certaines des limites de la norme JPEG d'origine, de nouveaux formats ont été développés, tels que JPEG 2000 et JPEG XR. Ces formats offrent une meilleure efficacité de compression, une prise en charge de profondeurs de bits plus élevées et des fonctionnalités supplémentaires telles que la transparence et la compression sans perte. Cependant, ils n'ont pas encore atteint le même niveau d'adoption généralisée que le format JPEG d'origine.
En conclusion, le format d'image JPEG est un équilibre complexe entre les mathématiques, la psychologie visuelle humaine et l'informatique. Son utilisation répandue témoigne de son efficacité à réduire la taille des fichiers tout en maintenant un niveau de qualité d'image acceptable pour la plupart des applications. Comprendre les aspects techniques de JPEG peut aider les utilisateurs à prendre des décisions éclairées sur le moment d'utiliser ce format et sur la façon d'optimiser leurs images pour l'équilibre entre la qualité et la taille de fichier qui convient le mieux à leurs besoins.
Ce convertisseur fonctionne entièrement dans votre navigateur. Lorsque vous sélectionnez un fichier, il est lu en mémoire et converti dans le format sélectionné. Vous pouvez ensuite télécharger le fichier converti.
Les conversions commencent instantanément, et la plupart des fichiers sont convertis en moins d'une seconde. Les fichiers plus volumineux peuvent prendre plus de temps.
Vos fichiers ne sont jamais téléversés vers nos serveurs. Ils sont convertis dans votre navigateur, puis le fichier converti est téléchargé. Nous ne voyons jamais vos fichiers.
Nous prenons en charge la conversion entre tous les formats d'image, y compris JPEG, PNG, GIF, WebP, SVG, BMP, TIFF, et plus encore.
Ce convertisseur est complètement gratuit, et le restera toujours. Parce qu'il fonctionne dans votre navigateur, nous n'avons pas besoin de payer pour des serveurs, donc nous n'avons pas besoin de vous faire payer.
Oui ! Vous pouvez convertir autant de fichiers que vous voulez simultanément. Il suffit de sélectionner plusieurs fichiers lorsque vous les ajoutez.