Récupérer le texte d'une image

Comment l'image est lue

La taille qui convient à la lecture se mesure à partir de l'encre, pas du fichier. La hauteur d'une ligne de texte est estimée à partir de l'image elle-même, et tout est remis à l'échelle pour qu'une ligne mesure environ trente-quatre pixels — une petite capture d'écran est agrandie jusqu'à quatre fois, et une photo énorme est réduite, le plus grand côté étant plafonné dans les deux cas. C'est pourquoi une photo de menu de neuf mégapixels n'est pas plus précise qu'une petite photo nette, et pourquoi une image de moins de trois cents pixels environ sur son plus petit côté saute entièrement la détection de langue et est lue comme de l'écriture latine. Avant tout cela, le papier derrière l'encre est estimé par zones puis retiré par division pour uniformiser l'éclairage, l'inclinaison de la page est mesurée sur toute sa hauteur puis corrigée, et le résultat est converti en noir et blanc selon un seuil global unique.

Le choix de la langue est une audition plutôt qu'une simple consultation, car le détecteur habituel ne détecte pas les langues. La première passe indique l'écriture et la rotation, rien de plus ; l'écriture réduit le champ, les paramètres de langue de votre navigateur départagent les langues qui la partagent, puis chaque candidate sert réellement à lire une copie réduite de l'image et reçoit un score selon le nombre de mots lus avec confiance. La gagnante lit la vraie page, et le texte reconnu est de nouveau examiné — signes diacritiques, paires de lettres caractéristiques, petits mots courants — pour voir si une autre langue ferait mieux. C'est le mécanisme derrière « indiquer la mauvaise langue donne une page vide en toute confiance » : l'audition existe justement pour que l'hypothèse soit testée sur votre image plutôt qu'affirmée.

Un point mérite d'être connu sur ce qui arrive dans le résultat. Un paragraphe sur lequel la lecture n'était pas sûre est supprimé plutôt qu'affiché : un texte visible sur l'image peut donc manquer entièrement dans le résultat au lieu d'apparaître sous forme de charabia. Il en va de même pour les blocs classés comme image ou bruit, et pour les marques isolées sans lettre ni chiffre. Aucun filtre n'est appliqué aux mots ordinaires peu sûrs : les erreurs de lecture au sein d'un paragraphe subsistent, et c'est à vous de les repérer. Si l'indice de confiance est correct et qu'un morceau de la page manque tout simplement, voilà ce qui s'est passé.

Si vous cherchez autre chose

Rien n'est conservé, mais c'est le seul outil du site dont la première utilisation a un coût : le moteur de lecture pèse quelques mégaoctets et chaque pack de langue un à cinq de plus, téléchargés depuis ce site puis gardés pour la fois suivante. Pour une seule page, l'attente en vaut la peine, mais pas pour deux mille scans planifiés — c'est le travail d'un outil d'OCR de bureau comme OCRmyPDF, qui ajoute une couche de texte à tout un dossier en une commande, sans téléchargement ni clic.

Trois choses ne sont tout simplement pas tentées ici, et mieux vaut les connaître que les découvrir. La perspective n'est pas corrigée — la rotation de la page est mesurée et redressée, mais une photo prise de côté garde sa forme de trapèze : photographier bien à la verticale vaut la seconde de plus. Le seuil qui sépare l'encre du papier est une valeur unique pour toute l'image, et non une par zone : une page à moitié dans l'ombre perdra sa moitié sombre même après l'uniformisation de l'éclairage ; reprenez plutôt la photo sous une lumière homogène. Enfin, un tableau mis en forme par des espaces plutôt que par des bordures n'a aucune bordure à détecter : il est lu comme des colonnes de texte, et ne survit au collage dans un tableur que par chance.