OCRopus : pour une ROC avec prise en compte de la mise en page

OCRopus est en passe de devenir un outil performant de reconnaissance optique de caractères (ROC/OCR), utilisant le moteur de ROC Tesseract, et capable d'analyser une mise en page complexe (contenant par exemple des colonnes et des encadrés). OCRopus ne reconstitue pas la mise en page dans un traitement de texte, mais effectue la ROC dans un ordre logique après avoir analysé la mise en page.

Pour l'instant, l'installation d'OCRopus est un peu délicate, car ce logiciel et ses dépendances ne sont pas directement disponibles dans les dépôts Ubuntu, et ne peuvent donc pas être installés par Synaptic.

Par ailleurs, lors de nos premiers tests sur des pages en français, malgré l'utilisation de la commande précisant l'usage du français pour le post-traitement de la ROC, les résultats obtenus sont nettement moins bons que lorsque nous utilisons Tesseract seul.

Enfin, même si son utilisation en ligne de commande est très simple, OCRopus n'est pas encore disponible sous forme d'interface graphique, ni intégré dans un outil graphique déjà existant (comme XSane…)… Cela viendra sans doute un jour.

Mais pour ceux qui veulent tester… ou qui en auraient besoin pour des pages à présentation complexe, OCRopus peut déjà être utilisé… notamment en vue de son amélioration !

Jusqu'à Jaunty inclus, OCRopus n'est pas disponible dans les dépôts Ubuntu. Il n'y a pas encore de paquet deb permettant son installation sous Ubuntu. OCRopus a besoin de tesseract pour pouvoir fonctionner, mais son installation est impossible avec une installation de tesseract réalisée à partir des dépôts Ubuntu ou à partir du deb de b52. Si vous voulez tester OCRopus, il faut commencer par faire une désinstallation complète de tesseract-ocr (ou tesseract) par Synaptic (ou au moyen de votre choix). On réinstalle ensuite tesseract… et tout ce qu'il faut, comme indiqué plus loin.

Installer aussi subversion et tout ce qui va avec avant de suivre la procédure d'installation d'OCRopus.

Pour l'instant, l'installation se fait en compilant les dépendances nécessaires en terminant par la compilation d'OCRopus. Il suffit de suivre méthodiquement les commandes indiquées (sans en oublier !). C'est assez simple, mais ça peut prendre un peu de temps (plus d'une heure dans certains cas, le plus long étant le compilation d'OpenFST. Il faut être un peu patient, pour ne pas arrêter une compilation en cours : après le lancement de chaque commande, il faut attendre le retour à l'invite de commande dans le terminal avant de lancer la commande suivante; et ne jamais interrompre un travail en cours… c'est à dire ne pas fermer le terminal ni éteindre l'ordinateur pendant ce temps…)

qui ne servent qu'à l'installation, on se place dans /var/tmp

cd /var/tmp

Comme indiqué plus haut, Tesseract est le moteur de ROC utilisé par OCRopus.

svn checkout http://tesseract-ocr.googlecode.com/svn/trunk/ tesseract-ocr-read-only
cd tesseract-ocr-read-only
./configure
make
sudo make install
cd ..

iulib fournit des bibliothèques de traitement d'image utilisées par OCRopus

svn checkout http://iulib.googlecode.com/svn/trunk/ iulib
cd iulib
sudo apt-get install scons
sudo apt-get install libpng12-dev libjpeg62-dev libtiff4-dev libavcodec-dev libavformat-dev libsdl-gfx1.2-dev libsdl-image1.2-dev
sudo apt-get install imagemagick
scons
sudo scons install
cd ..

Leptonica fournit d'autres outils de traitement d'image et d'analyse de la présentation

wget http://leptonica.googlecode.com/files/leptonlib-1.60.tar.gz
tar xvzf leptonlib-1.60.tar.gz
cd leptonlib-1.60
./configure
make
sudo make install
cd ..

OpenFST offre à OCRopus des moyens d'apprentissage des langues. L'installation de cet outil prend un peu de temps (jusqu'à une heure…). Soyez patients.

wget http://mohri-lt.cs.nyu.edu/twiki/pub/FST/FstDownload/openfst-1.1.tar.gz
tar xvzf openfst-1.1.tar.gz
cd openfst-1.1
./configure
make
sudo make install
cd ..

Toutes les dépendances étant installées, on peut maintenant installer OCRopus. Mais attention, ne commencez pas l'installation à cette étape si vous n'avez pas installé auparavant Tesseract, iulib, Leptonica et OpenFST !

sudo apt-get install libeditline-dev
svn checkout http://ocropus.googlecode.com/svn/trunk/ ocropus
cd ocropus
wget http://xplus3.net/downloads/fix_ocropus_doctype.diff
patch -p0 -i fix_ocropus_doctype.diff
./configure
make
sudo make install

Par défaut, avec la commande indiquée dans la paragraphe suivant, OCRopus effectue un post-traitement de la ROC en anglais. Si le texte de la page est en français ou dans une autre langue, il faut auparavant indiquer l'environnement linguistique que devra utiliser OCRopus par la commande suivante :

• pour le français :

export tesslanguage=fra

• pour l'allemand, l'italien, l'espagnol et le néerlandais

la même commande que ci-dessus, en remplaçant "fra" par "deu" (allemand), "ita" (italien), "spa" (espagnol) ou "nld" (néerlandais). Ces langues sont en effet disponibles pour le post-traitement lorsque Tesseract est installé par compilation comme indiqué sur cette page.

• pour revenir à l'anglais après avoir utilisé une autre langue

export tesslanguage=eng

• pour le vieil-allemand, le portugais et le vietnamien :

Les paquets permettant le post-traitement de la ROC sont disponibles pour ces langues, mais il faut d'abord les installer; non pas par les dépôts Ubuntu (par Synaptic, apt-get ou aptitude), sinon ils ne seraient pas placés au bon endroit, et seraient donc inutiles; mais comme suit :

vietnamien :

cd /var/tmp
wget http://tesseract-ocr.googlecode.com/files/tesseract-2.01.vie.tar.gz
tar -zxvf tesseract-2.01.vie.tar.gz
cd tessdata
sudo cp * /usr/local/share/tessdata

portugais :

cd /var/tmp
wget http://tesseract-ocr.googlecode.com/files/tesseract-2.01.por.tar.gz
tar -zxvf tesseract-2.01.por.tar.gz
cd tessdata
sudo cp * /usr/local/share/tessdata

vieil-allemand

cd /var/tmp
wget http://tesseract-ocr.googlecode.com/files/tesseract-2.01.deu-f.tar.gz
tar -zxvf tesseract-2.01.deu-f.tar.gz
cd tessdata
sudo cp * /usr/local/share/tessdata

Pour traiter des pages en ces langues, lancez d'abord la même commande que celle indiquée plus haut pour le français, en remplaçant "fra" par "vie" (vietnamien), "por" (portugais) ou "deu-f" (vieil-allemand).

OCRopus s'utilise avec une simple ligne de commande. Après avoir indiqué la langue de la page à traiter, comme indiqué dans le paragraphe précédent, faites comme suit :

Placez d'abord le fichier sur lequel vous voulez effectuer la reconnaissance optique de caractère sur votre bureau. Vous pouvez obtenir ce fichier en le scannant avec XSane par exemple, en le mettant au format PNG, gris, 300 ppi (dans la configuration de XSane).

Si votre fichier se nomme "essai.png", et s'il se trouve sur votre bureau, ouvrez un terminal, puis lancez les commandes :

cd ~/Desktop

ou bien

cd ~/Bureau

(selon la façon dont le bureau est nommé dans votre système de fichier) Puis :

ocroscript recognize essai.png > essai.html

OCRopus travaille sur le fichier PNG et crée le fichier HTML que vous trouverez sur votre bureau. Ne l'ouvrez que lorsque la ROC est terminée (attendez le retour à l'invite dans le terminal)… selon la longueur et la complexité du fichier, la ROC peut prendre de quelques secondes jusqu'à une minute environ.

Vous pouvez ensuite ouvrir le fichier HTML avec votre navigateur (Firefox ou autre) et en copier-coller le contenu dans un traitement de texte pour poursuivre le travail.

1/ Lorsque des lignes de texte ou une image sont en contact avec le bord de la page, la ROC ne s'effectue pas, et un message de ce type apparaît dans le terminal : "ocroscript: /usr/local/share/ocropus/scripts//recognize.lua:89: recognized bboxes are wrong"

Pour résoudre ce problème, il faut agrandir la page de quelques pixels avant de lancer de nouveau la commande ocroscript.

2/ (…)

Quand on installe en compilant, comme ici, il faut savoir comment désinstaller proprement. Pour cela :

cd /var/tmp

puis refaire dans l'ordre exactement les commandes indiquées plus haut en commençant par l'étape 6 (installation d'OCRopus), mais en remplaçant "sudo make install" par "sudo make uninstall". De même pour l'étape 5 (OpenFST), l'étape 4 (Leptonica)…

Puis pour l'étape 3 (iulib), faire comme indiqué lors de la phase d'installation en remplaçant "sudo scons install" par "sudo scons -c install"

Enfin, pour désinstaller Tesseract, faire comme indiqué dans la phase installation, en remplaçant "sudo make install" par "sudo make uninstall".

• La source de la partie installation de cette documentation (en)
• le site officiel sur Google (en)
• tesseract-ocr (fr)
• XSane (fr)
• Le fil de discussion du forum Ubuntu-fr dédié à la Reconnaissance Optique de Caractères. (fr)

—— Page réalisée par : Sorbus (16 mai 2009)