Tesseract OCR engine

Tesseract OCR est un moteur OCR libre et open source. Il convertit le texte contenu dans une image en données exploitables par un fichier ou un autre logiciel. Le projet peut traiter des documents contenant du texte imprimé et prendre en charge différentes langues grâce à des fichiers linguistiques dédiés.

Le logiciel ne possède pas d’interface graphique intégrée. Son utilisation passe donc par un terminal ou une invite de commandes. Cette particularité le distingue des applications OCR classiques qui proposent directement des boutons et des menus. Tesseract peut toutefois être intégré à d’autres logiciels qui fournissent leur propre interface.

Le moteur peut produire du texte simple, mais aussi d’autres formats adaptés à des besoins différents. Il peut notamment générer un PDF avec une couche de texte, ainsi que des sorties hOCR ou TSV. Il est ainsi possible de conserver certaines informations liées à la position du texte reconnu.

Le logiciel Tesseract est distribué sous licence libre Apache. Son code source est accessible publiquement. Le logiciel peut donc être utilisé sans abonnement et intégré à différents projets dans le respect des conditions de sa licence.

Comment utiliser Tesseract OCR ?

L'obtention de Tesseract OCR dépend de votre environnement informatique. Vous pouvez récupérer un paquet d'installation prêt à l'emploi sur votre système ou assembler directement le programme à partir de son code source.

Une fois l’installation terminée, Tesseract se lance depuis le terminal. La commande indique l’image à analyser ainsi que le nom du fichier qui recevra le résultat. Par exemple, tesseract image.png resultat permet de traiter une image PNG et de créer un fichier texte.

La langue de reconnaissance peut être précisée avec l’option -l. Pour le français, le code utilisé est fra. Une commande peut donc contenir -l fra afin de demander une reconnaissance en français. Plusieurs langues peuvent également être indiquées lorsque le document contient des textes dans différentes langues.

Les données linguistiques sont stockées dans le dossier tessdata. Elles sont nécessaires pour effectuer la reconnaissance dans les langues correspondantes. Il est donc important que les fichiers nécessaires soient installés et que Tesseract puisse retrouver leur emplacement.

La qualité de l’image joue également un rôle dans le résultat. Une image nette, suffisamment grande et correctement orientée facilite la reconnaissance. Lorsque le document est incliné, trop sombre ou difficile à lire, le résultat peut contenir davantage d’erreurs.

Tesseract propose plusieurs modes de segmentation de page. Ils permettent d’adapter la reconnaissance à une page complète, une ligne ou une zone de texte particulière. Le choix du mode peut donc être utile lorsque la présentation du document ne correspond pas à une page classique.

Le moteur permet aussi de choisir le format de sortie. Le texte brut convient à une extraction simple. Le PDF, le hOCR et le TSV peuvent fournir davantage d’informations selon le traitement souhaité.

En cas d’erreur, il faut notamment vérifier le chemin du programme et celui du dossier tessdata. La variable d’environnement TESSDATA_PREFIX peut être utilisée pour indiquer l’emplacement des données linguistiques. Sous Windows, la variable Path peut également devoir être configurée afin que le système reconnaisse la commande tesseract.

Quels sont les OS compatibles avec Tesseract OCR ?

Tesseract OCR s'exécute sur Windows, macOS et Linux. La démarche de configuration varie toutefois selon le système d'exploitation installé sur votre machine.

Sous Linux, le moteur est disponible dans les dépôts de nombreuses distributions. Sur Ubuntu, l’installation peut notamment être effectuée avec la commande sudo apt install tesseract-ocr. Les données linguistiques peuvent être ajoutées séparément selon les langues nécessaires.

Sur macOS, Tesseract peut être installé avec Homebrew grâce à la commande brew install tesseract. MacPorts propose également une méthode d’installation avec sudo port install tesseract.

Sous Windows, le projet indique qu’il ne fournit pas lui-même d’installateur récent. La documentation présente notamment une solution maintenue par UB Mannheim. Si vous travaillez dans un cadre spécifique comme MSYS2 ou Cygwin, des guides complémentaires expliquent chaque étape de la configuration. Cette méthode convient parfaitement aux utilisateurs recherchant une installation sur mesure.

Après l’installation, une configuration des variables d’environnement peut être nécessaire. Elle permet notamment d’exécuter Tesseract depuis une invite de commandes et de retrouver correctement les fichiers linguistiques.

Il est également possible de compiler le moteur depuis ses sources. Cette méthode demande toutefois davantage de connaissances techniques et convient surtout aux utilisateurs qui souhaitent personnaliser leur installation.

Tesseract OCR est-il gratuit ?

Tesseract OCR est gratuit et distribué sous licence open source Apache. Il ne nécessite pas d’abonnement pour fonctionner et son code source est accessible publiquement.

Son fonctionnement demande cependant quelques connaissances techniques. Contrairement à un logiciel OCR classique, Tesseract ne propose pas de fenêtre principale avec des boutons pour importer une image et lancer automatiquement une reconnaissance.

L’utilisateur doit généralement passer par une commande. Il peut ensuite récupérer le texte dans le fichier créé par le moteur. Cette méthode permet aussi d’intégrer Tesseract dans un programme ou un script afin d’automatiser certaines tâches.

Les fichiers de langue sont une autre partie importante de l’installation. Ils doivent correspondre aux langues utilisées pour les documents. Pour traiter un texte français, les données associées à la langue française doivent donc être disponibles.

Le moteur peut être utilisé pour extraire du texte depuis des images, traiter des documents numérisés ou servir de composant OCR dans une autre application. Le résultat dépend toutefois de la qualité du document et des réglages choisis.

Quelles sont les alternatives à Tesseract OCR ?

NormCap utilise le moteur Tesseract pour reconnaître le texte affiché à l’écran. Il permet de sélectionner une zone précise avant de lancer la reconnaissance. Le texte obtenu peut ensuite être récupéré directement. L’outil fonctionne sur Windows, macOS et Linux.

FreeOCR utilise également le moteur Tesseract. Il propose une interface graphique destinée à la reconnaissance de caractères depuis des images et des documents. Cette présentation permet d’utiliser la reconnaissance sans saisir directement les commandes de Tesseract.

Le service Online OCR extrait le texte de vos images et fichiers PDF directement sur internet. L'outil accepte la plupart des extensions courantes comme les formats JPEG, TIFF ou PNG. Les documents PDF peuvent également être traités.

Le service prend en charge différentes langues, dont le français. Le texte reconnu peut ensuite être exporté dans plusieurs formats. Le traitement peut aussi concerner des documents comportant plusieurs pages.