OCR (reconnaissance optique de caractères)

Sans OCR, une image est pour un index de recherche un bloc opaque de pixels. Avec elle, chaque mot imprimé dans cette image se comporte comme n’importe quelle autre métadonnée.

Comment fonctionne l’OCR

L’OCR moderne s’exécute comme un court pipeline, et chaque étape explique l’un de ses modes d’échec :

1. Prétraitement. L’image est redressée, débruitée et convertie en fort contraste. C’est pourquoi la photo de travers d’une page, prise avec un téléphone, se lit moins bien qu’une numérisation à plat.
2. Détection du texte. Le moteur repère les zones de l’image qui contiennent du texte, et détermine l’ordre de lecture : colonnes, légendes, cellules de tableau.
3. Reconnaissance des caractères et des mots. Chaque zone détectée est décodée en caractères. Les moteurs actuels utilisent des réseaux de neurones qui reconnaissent des mots et des lignes entiers plutôt que des glyphes isolés, ce qui explique qu’ils gèrent bien mieux les caractères liés et irréguliers que les systèmes à base de templates des années 1990.
4. Modèle de langue. Un modèle statistique corrige les résultats improbables en contexte, si bien que rn n’est pas pris pour m dans un mot que la langue ne produit jamais.

Le résultat est du texte brut, généralement avec un score de confiance par mot et les coordonnées de chaque mot dans l’image.

Reconnaissance optique de texte, ICR et écriture manuscrite

« Reconnaissance optique de texte » s’emploie indifféremment pour désigner l’OCR. Deux termes voisins sont plus étroits : l’ICR (intelligent character recognition) vise l’écriture manuscrite, et l’OMR (optical mark recognition) lit des cases à cocher et des bulles remplies plutôt que des caractères. Le texte imprimé reste le cas que l’OCR traite le plus fiablement ; l’écriture cursive reste la plus difficile.

À quoi sert l’OCR dans un DAM

Une grande part de toute photothèque porte ses informations les plus identifiantes sous forme de pixels plutôt que de champs :

• Le nom du produit et sa variante sur l’étiquette d’un packshot.
• Le titre et l’offre d’une publicité imprimée numérisée.
• La référence (SKU) d’une fiche technique archivée sous forme d’image.
• L’allégation, la mention légale ou la date de péremption sur un visuel d’emballage.
• Le texte des diapositives d’une présentation exportée en PNG, et toute déclinaison générée à partir d’elle.

Rien de tout cela n’est trouvable par une recherche classique, car pour l’index le fichier ne contient aucun mot. L’OCR extrait le texte à l’ingestion et le rattache au média : chercher un nom de produit renvoie donc la photo de l’emballage, et pas seulement les fichiers que quelqu’un a pensé à étiqueter.

Elle alimente aussi tout ce qui vient ensuite. Le texte extrait devient une entrée pour la recherche sémantique, donne aux règles d’automatisation quelque chose à comparer, et soutient le travail de conformité : une piste d’audit est bien plus utile quand on peut prouver quelle version d’une allégation figurait sur quel visuel. Pour les archives, elle rend interrogeables des décennies de documents imprimés numérisés sans que personne ne ressaisisse un mot.

Quelle est la précision de l’OCR ?

La précision dépend de la source, pas du moteur. Sur des numérisations nettes et en haute définition de texte imprimé, les moteurs actuels dépassent couramment 99 % de précision au niveau du caractère. Sur des images en basse définition, très compressées, avec des caractères d’affichage stylisés, du texte sur une photographie chargée ou des fonds colorés serrés, les résultats se dégradent jusqu’à une extraction partielle.

La conséquence pratique est qu’il faut traiter le texte OCR comme une couche où l’on peut chercher, et non comme une transcription de référence. Il est excellent pour retrouver un média. Il ne remplace pas la version validée d’une mention légale.

Faire un contrôle OCR de votre photothèque

Un contrôle OCR est une passe de vérification de ce qui a été extrait, et il vaut la peine d’être fait une fois après un import en masse :

• Cherchez une poignée de termes dont vous savez qu’ils n’apparaissent que dans des images, et confirmez que les bons médias reviennent.
• Vérifiez par sondage le texte extrait sur vos formats les plus difficiles : emballages denses, anciennes numérisations en basse définition, captures d’écran d’interfaces.
• Regardez la couverture plutôt que des pages individuelles. Si toute une classe de médias ne renvoie rien, le problème vient généralement de la définition de la source ou d’un type de fichier non pris en charge, pas du moteur.
• Relancez l’extraction après avoir remplacé des originaux en basse définition par de meilleurs.

L’OCR dans Freedam

Dans Freedam, l’OCR s’exécute automatiquement pendant l’ingestion, sans configuration et sans action par fichier. Le texte extrait est indexé avec les autres métadonnées du média : il est donc trouvé par la recherche par mots-clés ordinaire, par les filtres avancés et par la recherche sémantique, et il est disponible pour les règles d’automatisation et pour l’API.

Comme elle fait partie de l’ingestion plutôt que d’être une option à part, chaque média qui entre dans la photothèque (par import, par synchronisation de dossier ou par l’API) est couvert de la même façon.

Questions fréquentes

Quelle est la différence entre OCR et reconnaissance d’image ?

La reconnaissance d’image identifie ce que montre une image : objets, personnes, décors. L’OCR identifie le texte qui y est imprimé. Un DAM exécute souvent les deux à l’import : la reconnaissance d’image pour l’étiquetage automatique, l’OCR pour les mots des étiquettes, des emballages et des diapositives.

L’OCR peut-elle lire l’écriture manuscrite ?

L’écriture manuscrite en lettres bâton nettes se lit souvent de façon acceptable. L’écriture cursive liée reste peu fiable, et des systèmes ICR dédiés sont utilisés là où le manuscrit compte, par exemple sur des formulaires.

L’OCR fonctionne-t-elle sur les PDF ?

Un PDF exporté depuis un outil de création ou de traitement de texte contient déjà son texte, qui peut être extrait directement sans OCR. Un PDF numérisé ne contient que des images de pages, et a besoin d’OCR avant que son texte puisse être recherché.