OCR pour Documents Scannés et Images

Quand l'OCR est nécessaire

Les PDF numériques ont du texte extractible. Les documents scannés non - ce ne sont que des images.

L'OCR convertit :

• Contrats scannés
• Livres anciens
• Reçus
• Captures d'écran
• Notes manuscrites

Tesseract (Gratuit, Open-Source)

DEVELOPERpython
from PIL import Image
import pytesseract

def ocr_image(image_path):
    image = Image.open(image_path)
    text = pytesseract.image_to_string(image, lang='eng')
    return text

# Avec scores de confiance
data = pytesseract.image_to_data(image, output_type=pytesseract.Output.DICT)
for i, word in enumerate(data['text']):
    confidence = data['conf'][i]
    if confidence > 60:  # Filtrer faible confiance
        print(word)

Prétraitement pour meilleure précision

DEVELOPERpython
import cv2
import numpy as np

def preprocess_image(image_path):
    img = cv2.imread(image_path)

    # Convertir en niveaux de gris
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

    # Supprimer le bruit
    denoised = cv2.fastNlMeansDenoising(gray)

    # Seuillage (binarisation)
    _, binary = cv2.threshold(denoised, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)

    return binary

# Utiliser l'image prétraitée
preprocessed = preprocess_image('scan.jpg')
text = pytesseract.image_to_string(preprocessed)

AWS Textract (Commercial, Meilleure qualité)

DEVELOPERpython
import boto3

textract = boto3.client('textract', region_name='us-east-1')

def extract_with_textract(image_path):
    with open(image_path, 'rb') as f:
        image_bytes = f.read()

    response = textract.detect_document_text(
        Document={'Bytes': image_bytes}
    )

    text = ""
    for block in response['Blocks']:
        if block['BlockType'] == 'LINE':
            text += block['Text'] + '\n'

    return text

# Pour tableaux et formulaires
response = textract.analyze_document(
    Document={'Bytes': image_bytes},
    FeatureTypes=['TABLES', 'FORMS']
)

Google Cloud Vision

DEVELOPERpython
from google.cloud import vision

client = vision.ImageAnnotatorClient()

def ocr_with_google(image_path):
    with open(image_path, 'rb') as f:
        content = f.read()

    image = vision.Image(content=content)
    response = client.document_text_detection(image=image)

    return response.full_text_annotation.text

Reconnaissance d'écriture manuscrite

DEVELOPERpython
# EasyOCR pour l'écriture manuscrite
import easyocr

reader = easyocr.Reader(['en'])
result = reader.readtext('handwritten.jpg', detail=0)
text = ' '.join(result)

OCR multilingue

DEVELOPERpython
# Tesseract avec plusieurs langues
text = pytesseract.image_to_string(
    image,
    lang='eng+fra+deu'  # Anglais + Français + Allemand
)

# EasyOCR (meilleur pour les langues asiatiques)
reader = easyocr.Reader(['en', 'zh', 'ja', 'ko'])
results = reader.readtext('multilingual.jpg')

L'OCR ouvre le contenu scanné pour le RAG. Essentiel pour les documents juridiques, médicaux et historiques.