Vous n'êtes pas identifié(e).
L'icône rouge permet de télécharger chaque page du wiki visitée au format PDF et la grise au format ODT →
Ceci est une ancienne révision du document !
Installer et utiliser le logiciel tesseract pour effectuer une reconnaissance de caractère à partir d'une image *.png ou d'un fichier *.pdf
apt-get install tesseract-ocr tesseract-ocr-fra tesseract-ocr-osd
Par défaut le pack de langue anglaise (eng) est installé et est utilisé lors de la reconnaissance des caractères.
On peut installer d'autres langues, par exemple l'espagnol si on veut exploiter un document dans cette langue, il suffit d'installer le paquet : tesseract-ocr-spa.
Pour avoir une interface graphique en français, choisir OCRfeeder (en français) :
apt-get ocrfeeder unpaper
ou Imagereader (en anglais)
Pour manipuler les images, on installe imagemagick
apt-get install imagemagick
Vous pouvez scanner votre document pour obtenir une image avec suffisamment de qualité en utilisant le logiciel de votre choix, par exemple SimpleScan.
On commence par convertir le fichier *.pdf en image *.png :
convert -density 500 PDFtest.pdf -quality 100 test.png
IL y aura autant d'images en sortie que de pages du pdf nommé PDFtest.pdf.
Les noms de ces images sera test-0.png, test-1.png …etc
Pour effectuer la reconnaissance de texte de la première image :
tesseract test-0.png -l fra output1
Ici la langue du document est spécifiée avec l'option -l fra.
Pour indiquer l'utilisation de deux langues par exemple français et allemand utilisez l'option : -l fra+deu.
Par défaut le fichier en sortie sera au format *.txt, on trouvera donc un fichier output.txt à ouvrir avec n'importe quel éditeur de texte.
Pour effectuer la reconnaissance de texte de la deuxième image :
tesseract test-1.png -l fra output2
Voir l'exemple donné dans ce message d'un fil du forum où l'on voit bien l'influence de la taille de l'image sur la reconnaissance de caractères.