Qu'est-ce que l'OCR ?

Signification : Reconnaissance Optique de Caractères (ROC), de l’anglais Optical Character Recognition (OCR)

Connaissances de bases

L’OCR ne peut être effectuée que par des procédés informatiques, à l'exception notable de l'être humain qui, lui, exécute, en plus de la reconnaissance, la compréhension du message, sa mémorisation, voire son analyse critique dans un seul temps.

Un ordinateur réclame pour l'exécution de cette tâche un logiciel de reconnaissance optique de caractères. Celui-ci permet de récupérer le texte dans l'image d'un texte imprimé et de le sauvegarder dans un fichier pouvant être exploité dans un traitement de texte pour enrichissement, et stocké dans une base de données ou du moins, sur un support sûr et exploitable par un système informatique.

Fonctionnement

- On part de l'image numérique réalisée par un scanner optique d'une page (document imprimé, feuillet dactylographié, etc.) dont on veut récupérer le texte.

- L'image doit être assez contrastée pour que le programme discerne facilement les caractères. Certains logiciels comportent, en outre, une interface pour l'acquisition numérique de l'image.

- Le principe du programme est de lire le document et, grâce à des bibliothèques de formes, détecter les caractères afin d'en faire correspondre la forme au caractère attendu.

- Des dictionnaires permettent de récupérer certaines erreurs puisque le logiciel se basera alors sur des mots existants pour faire ses comparaisons.

- Certains logiciels vont même tenter de conserver l'enrichissement du texte (corps, graisse et police) ainsi que la mise en page, voire rebâtir les tableaux.