Comment extraire du texte d’une image

Bien qu’il soit toujours idéal d’avoir du texte stocké comme... eh bien, du texte, parfois une image ou une capture d’écran est la seule option que nous avons pour le moment. Le problème avec le texte stocké sous forme d’image est qu’il ne peut pas être facilement copié et collé, la police ne peut pas être modifiée et le fichier doit être stocké dans un format d’image au lieu de quelque chose de facilement modifiable et petit comme un fichier texte. Plutôt que de passer par le processus laborieux de conversion manuelle de l’image en texte en la tapant, il existe des outils qui peuvent faire le travail pour nous sur un système Linux.

À l’aide de la technologie de reconnaissance optique de caractères (OCR), divers outils peuvent lire le texte stocké dans une image et le convertir en caractères normaux pour le stockage à l’intérieur d’un fichier texte ou d’un document. Dans ce tutoriel, nous allons passer en revue une ligne de commande et une méthode GUI pour extraire du texte d’une image sur un système Linux.

Dans ce tutoriel, vous allez apprendre :

Comment installer gImageReader sur les principales distributions Linux
Comment installer Tesseract OCR sur les principales distributions Linux
Comment extraire du texte d’une image via l’interface graphique
Comment extraire du texte d’une image via la ligne de commande

Extraire le texte d’une image avec gImageReader – méthode GUI

gImageReader est une interface graphique pour Tesseract OCR, une technologie développée par Hewlett Packard. En installant gImageReader, nous installons également le composant backend Tesseract OCR. Il est considéré comme l’un des meilleurs outils OCR disponibles gratuitement et est open source. Voyons comment installer et utiliser gImageReader sous Linux.

Installation de gImageReader

Tout d’abord, commençons par l’installation de gImageReader. Vous pouvez utiliser la commande appropriée ci-dessous pour installer gImageReader avec le gestionnaire de paquets de votre système.

Pour installer gImageReader sur Ubuntu, Debian et Linux Mint :


sudo apt update
sudo apt install gimagereader tesseract-ocr

Pour installer gImageReader sur Fedora, CentOS, AlmaLinux et Red Hat :


sudo dnf install gimagereader-qt tesseract

Pour installer gImageReader sur Arch Linux et Manjaro :


sudo pacman -S gimagereader-qt tesseract

Utilisation de gImageReader

Maintenant que gImageReader a été installé, suivez les étapes ci-dessous pour utiliser le programme afin d’extraire du texte d’un ou plusieurs fichiers image :

Commencez par ouvrir gImageReader à partir de votre lanceur d’applications. Dans GNOME, il s’agit du menu Activités.
Ajoutons une image que nous voulons convertir en texte. Pour ce faire, cliquez sur l’icône verte dans le coin supérieur gauche de l’application gImageReader. Reportez-vous à la capture d’écran ci-dessous pour l’emplacement exact.
Localisez l’image (ou les images) que vous souhaitez ajouter à gImageReader.
Pour l’étape suivante, nous pouvons soit sélectionner manuellement les sections de texte que nous voulons convertir, soit cliquer sur le bouton « reconnaître tout » en haut pour laisser gImageReader détecter automatiquement le texte et commencer à le convertir. Assurez-vous de sélectionner une autre langue si votre capture d’écran n’est pas en anglais.
Le texte converti apparaît maintenant dans le volet de droite. Vous pouvez interagir avec le texte pour apporter des corrections si vous repérez des erreurs, ou copier le texte dans votre presse-papiers. Pour enregistrer la sortie de texte sous forme de fichier, cliquez sur l’option « Enregistrer la sortie » comme indiqué ci-dessous.

Extraire du texte d’une image avec Tesseract OCR – méthode en ligne de commande

Tesseract OCR est un programme en ligne de commande et le moteur backend pour l’interface graphique gImageReader décrite ci-dessus. Dans les sections ci-dessous, nous allons vous montrer comment installer Tesseract OCR sur les principales distributions Linux, puis utiliser sa syntaxe commmand pour commencer à extraire du texte à partir d’images.

Installation de l’OCR Tesseract

Tout d’abord, commençons par l’installation de Tesseract OCR. Vous pouvez utiliser la commande appropriée ci-dessous pour installer Tesseract OCR avec le gestionnaire de paquets de votre système.

Pour installer Tesseract OCR sur Ubuntu, Debian et Linux Mint :


sudo apt update
sudo apt install tesseract-ocr

Pour installer Tesseract OCR sur Fedora, CentOS, AlmaLinux et Red Hat :


sudo dnf install tesseract

Pour installer Tesseract OCR sur Arch Linux et Manjaro :


sudo pacman -S tesseract

Utilisation de l’OCR Tesseract

Maintenant que Tesseract OCR a été installé, suivez les commandes ci-dessous pour utiliser le programme afin d’extraire du texte d’un ou plusieurs fichiers image :

Nous fournissons au tesseract le nom de notre image et le nom souhaité du fichier texte de sortie. Dans cet exemple, notre fichier image est nommé server-guide.png et le fichier texte résultant sera nommé output.txt.
```
tesseract server-guide.png output
```
REMARQUE
Ne spécifiez pas d’extension de fichier pour votre fichier de sortie, car il sera toujours .txt par défaut, même si vous essayez d’en mettre une autre.
Si vous obtenez des résultats différents de ceux attendus, vous pouvez spécifier manuellement la résolution DPI de l’image que vous essayez de convertir. Cela peut aider Tesseract à faire un meilleur travail s’il a du mal à le détecter par lui-même.
```
tesseract server-guide.png output --dpi 300
```

Réflexions finales

Dans ce tutoriel, nous avons vu comment extraire du texte d’un fichier image sur un système Linux. Cela peut être fait via une ligne de commande ou une interface graphique, avec le même moteur alimentant les deux méthodes : L’OCR Tesseract développé par Hewlett Packard et maintenu par Google. Il s’agit d’une technologie OCR de qualité commerciale qui fait un excellent travail pour convertir des images en texte. Néanmoins, pour des images délicates avec des polices et des tailles différentes, vous pouvez vous attendre à devoir apporter quelques corrections mineures à la sortie.