Pourquoi l’OCR se trompe sur certains mots, et comment obtenir un résultat plus propre

Comment l’OCR lit une page

L’OCR ne lit pas comme vous. Il découpe la page en blocs, en lignes et en mots, compare la forme de chaque mot à celle des mots de la langue choisie et retient la lecture la plus probable. Il ne sait jamais s’il a raison ; il choisit la meilleure correspondance qu’il trouve.

C’est pourquoi la qualité de l’image compte autant. À environ 300 points par pouce, un texte courant a assez de détails pour que chaque lettre soit sans ambiguïté. À moitié moins, un « e » et un « c », ou « rn » et « m », commencent à se ressembler, et les suppositions se dégradent.

Les causes habituelles d’erreurs

• Le flou. Une photo prise en bougeant, ou avec la mise au point sur la mauvaise partie de la page. Les contours bavent et les lettres se confondent.
• Les ombres et les reflets. L’ombre d’une main ou d’un téléphone, ou une page brillante qui reflète une lampe, efface une partie d’une ligne.
• Les caractères petits ou pâles. Notes de bas de page, reçus délavés et texte gris clair offrent trop peu de points sombres.
• Une page courbée ou de travers. Le milieu d’un livre épais courbe les lignes ; une page photographiée en biais écrase un côté.
• La mauvaise langue. Une page en français lue comme de l’anglais donne un charabia plein d’assurance, car les formes sont comparées aux mauvais mots.
• L’écriture manuscrite. L’OCR est conçu pour les lettres imprimées. Des majuscules soignées passent parfois ; l’écriture cursive, rarement.

Obtenir une meilleure image

1. Posez la page à plat et photographiez-la bien en face, avec le texte qui remplit l’essentiel du cadre.
2. Utilisez une lumière du jour uniforme, ou orientez la lampe pour qu’aucune ombre ne tombe sur la page. Coupez le flash sur un papier brillant.
3. Touchez l’écran pour faire la mise au point sur le texte, restez immobile et vérifiez que la photo est nette avant de l’envoyer.
4. Faites une capture d’écran à la taille à laquelle vous lisez ; ne dézoomez pas avant.
5. Sur un scanner, choisissez 300 DPI. La couleur n’est pas nécessaire pour du texte : le niveau de gris est tout aussi précis et bien plus léger.

Vérifier le résultat

Relisez le résultat face à l’image avant de vous y fier, en portant surtout attention à ce que l’OCR ne peut pas contrôler : noms, chiffres, dates, montants et codes. Une lettre mal lue dans un mot se voit en général ; un chiffre mal lu dans un numéro de compte, non. iBuildPDF indique dans quelle langue le texte a été lu ; si ce n’est pas la bonne, choisissez-la et relancez. Pour en savoir plus, voyez comment vérifier un document converti.