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.
Le format JPEG 2000 Multi-layer (JPM) est une extension de la norme JPEG 2000, qui est une norme de compression d'image et un système de codage. Il a été créé par le comité Joint Photographic Experts Group en 2000 dans le but de remplacer la norme JPEG d'origine. JPEG 2000 est connu pour son efficacité de compression élevée et sa capacité à gérer une large gamme de types d'images, notamment les images en niveaux de gris, en couleurs et multicomposantes. Le format JPM étend spécifiquement les capacités de JPEG 2000 pour inclure la prise en charge de documents composés, qui peuvent contenir un mélange de texte, de graphiques et d'images.
JPM est défini dans la partie 6 de la suite JPEG 2000 (ISO/IEC 15444-6), et il est conçu pour encapsuler plusieurs images et données associées dans un seul fichier. Cela le rend particulièrement utile pour des applications telles que l'imagerie documentaire, l'imagerie médicale et l'imagerie technique où différents types de contenu doivent être stockés ensemble. Le format JPM permet le stockage efficace des pages dans un document, chacune pouvant contenir plusieurs régions d'image avec des caractéristiques différentes, ainsi que des données non-image telles que des annotations ou des métadonnées.
L'une des principales caractéristiques de JPM est son utilisation du flux de code JPEG 2000 (JPX), qui est une version étendue du flux de code JPEG 2000 de base (JP2). JPX prend en charge une gamme plus large d'espaces colorimétriques, des métadonnées plus sophistiquées et des profondeurs de bits plus élevées. Dans un fichier JPM, chaque image ou « couche » est stockée sous la forme d'un flux de code JPX distinct. Cela permet à chaque couche d'être compressée en fonction de ses propres caractéristiques, ce qui peut conduire à une compression plus efficace et à des résultats de meilleure qualité, en particulier pour les documents composés avec divers types de contenu.
La structure d'un fichier JPM est hiérarchique et se compose d'une série de boîtes. Une boîte est une unité autonome qui comprend un en-tête et des données. L'en-tête spécifie le type et la longueur de la boîte, tandis que les données contiennent le contenu réel. La boîte de niveau supérieur dans un fichier JPM est la boîte de signature, qui identifie le fichier comme un fichier de la famille JPEG 2000. Après la boîte de signature, il y a des boîtes de type de fichier, des boîtes d'en-tête et des boîtes de contenu, entre autres. Les boîtes d'en-tête contiennent des informations sur le fichier, telles que le nombre de pages et les attributs de chaque page, tandis que les boîtes de contenu contiennent les données d'image et toutes les données non-image associées.
En termes de compression, les fichiers JPM peuvent utiliser à la fois des méthodes de compression sans perte et avec perte. La compression sans perte garantit que les données d'image d'origine peuvent être parfaitement reconstruites à partir des données compressées, ce qui est crucial pour les applications où l'intégrité de l'image est primordiale, comme l'imagerie médicale. La compression avec perte, en revanche, permet d'obtenir des fichiers plus petits en supprimant une partie des données d'image, ce qui peut être acceptable dans les situations où une fidélité parfaite n'est pas requise.
JPM prend également en charge le concept de « décodage progressif », ce qui signifie qu'une version basse résolution d'une image peut être affichée pendant que l'image pleine résolution est encore en cours de téléchargement ou de traitement. Ceci est particulièrement utile pour les images volumineuses ou les connexions réseau lentes, car cela permet aux utilisateurs d'obtenir un aperçu rapide sans avoir à attendre que l'ensemble du fichier soit disponible.
Un autre aspect important de JPM est sa prise en charge des métadonnées. Les métadonnées dans les fichiers JPM peuvent inclure des informations sur le document, telles que l'auteur, le titre et les mots-clés, ainsi que des informations sur chaque image, telles que la date de capture, les paramètres de l'appareil photo et l'emplacement géographique. Ces métadonnées peuvent être stockées au format XML, ce qui les rend facilement accessibles et modifiables. De plus, JPM prend en charge l'inclusion de profils ICC, qui définissent l'espace colorimétrique des images, garantissant une reproduction précise des couleurs sur différents appareils.
Les fichiers JPM sont également capables de stocker plusieurs versions d'une image, chacune avec des résolutions ou des paramètres de qualité différents. Cette fonctionnalit é, connue sous le nom de « multicouche », permet un stockage et une transmission plus efficaces, car la version appropriée d'une image peut être sélectionnée en fonction des besoins spécifiques de l'application ou de la bande passante disponible.
La sécurité est un autre domaine dans lequel JPM fournit des fonctionnalités robustes. Le format prend en charge l'inclusion de signatures numériques et de cryptage, qui peuvent être utilisés pour vérifier l'authenticité du document et protéger les informations sensibles. Ceci est particulièrement important dans des domaines tels que la gestion de documents juridiques et médicaux, où l'intégrité et la confidentialité des documents sont de la plus haute importance.
Malgré ses nombreux avantages, le format JPM n'a pas été largement adopté, en particulier sur le marché grand public. Cela est dû en partie à la complexité du format et aux ressources informatiques nécessaires pour traiter les fichiers JPM. De plus, la famille de normes JPEG 2000, y compris JPM, a été soumise à des problèmes de licence de brevet, qui ont entravé son adoption par rapport à la norme JPEG d'origine, qui n'est généralement pas grevée de brevets.
Pour les développeurs de logiciels et les ingénieurs travaillant avec des fichiers JPM, plusieurs bibliothèques et outils sont disponibles qui prennent en charge le format. Il s'agit notamment de la bibliothèque OpenJPEG, qui est un codec JPEG 2000 open source, et des offres commerciales de diverses sociétés de logiciels d'imagerie. Lorsqu'ils travaillent avec des fichiers JPM, les développeurs doivent être familiarisés avec la syntaxe du flux de code JPEG 2000, ainsi qu'avec les exigences spécifiques pour la gestion des documents composés et des métadonnées.
En conclusion, le format d'image JPM est une extension puissante de la norme JPEG 2000 qui offre une gamme de fonctionnalités adaptées au stockage et à la gestion de documents composés. Sa prise en charge de plusieurs couches d'image, du décodage progressif, des métadonnées, du multicouche et des fonctionnalités de sécurité en fait un choix idéal pour les applications professionnelles et techniques où la qualité de l'image et l'intégrité du document sont essentielles. Bien qu'il ne soit peut-être pas aussi couramment utilisé que d'autres formats d'image, ses capacités spécialisées garantissent qu'il reste un outil important dans des domaines tels que l'imagerie documentaire et l'imagerie médicale.
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.