Nous allons voir dans ce tutoriel comment faire de la reconnaissance de texte à partir d’une image avec Python et Tesseract. Tesseract est un outil permettant de reconnaitre des caractères, et donc du texte, contenus dans une image (OCR, Optical Characters Recognition).

Installation de Tesseract

• Sous Linux

Pour installer tesseract, entrez les commandes suivantes dans un terminal

sudo apt install tesseract-ocr
sudo apt install libtesseract-dev

• Sous Windows

vous pouvez télécharger et exécuter l’installateur correspondant à votre OS

Une fois l’installation terminée, ajoutez C:\Program Files\Tesseract-OCR à votre Variable d’environnement Path

Vous pouvez maintenant exécuter tesseract et tester le résultat avec la commande suivante

tesseract <path_to_image> <path_to_result_file> -l <language>

ex:

tesseract test.png result -l fra

Tesseract va reconnaitre le texte contenu dans l’image test.png et écrire le texte brut dans le fichier result.txt

N.B.: Tesseract peut avoir du mal avec la ponctuation et l’alignement du texte

Reconnaissance de texte avec Pytesseract

Vous pouvez ensuite installer le paquet pytesseract

pip install pytesseract

‘L’intérêt d’utiliser Python, et OpenCV particulièrement, est que vous pouvez traiter les images et implémenter l’outil dans un logiciel plus important. Voici une liste de quelques avantages:

• détection de texte dans une vidéo
• Traitement et filtrage des images dans le cas de caractères obstrués, par exemple
• Détecter du texte à partir d’un fichier PDF
• Écrire les résultats dans un fichier word ou excel

Dans le script suivant, nous chargeons l’image avec OpenCV et nous traçons des rectangles autour du texte détecté. Les données des positions s’obtiennent avec la fonction image_to_data. Il est possible d’obtenir le texte brut avec la fonction image_to_string

from PIL import Image
import pytesseract
from pytesseract import Output
import cv2
 
source = 'test.png'
img = cv2.imread(source)
text=pytesseract.image_to_string(img)
print(text)

d = pytesseract.image_to_data(img, output_type=Output.DICT)
 
NbBox = len(d['level'])
print ("Number of boxes: {}".format(NbBox))

for i in range(NbBox):
	(x, y, w, h) = (d['left'][i], d['top'][i], d['width'][i], d['height'][i])
	# display rectangle
	cv2.rectangle(img, (x, y), (x + w, y + h), (0, 255, 0), 2)
 
cv2.imshow('img', img)
cv2.waitKey(0)
cv2.destroyAllWindows()

Le script fonctionne aussi sur des photos de document

Bonus: Reconnaissance de texte avec Python à partir d’un fichier PDF

Installation de la librairie pdf2image

pip install pdf2image

L’utilisation de pdf2image nécessite l’installation de poppler

Assez simple sur Linux

sudo apt-get install poppler-utils

Sous Windows

• Téléchargez le dossier zip
• Extraire les fichiers où vous souhaitez (C:/Users/ADMIN/Documents , par exemple)
• Ajouter le dossier bin à la variable d’environnement Path (C:\Users\ADMIN\Documents\poppler\Library\bin)
• tester avec la commande pdftoppm -h

Script pour récupérer le texte d’un PDF

from pdf2image import convert_from_path, convert_from_bytes
from PIL import Image
import pytesseract
from pytesseract import Output

images = convert_from_path('invoice.pdf')

# get text
print("Number of pages: {}".format(len(images)))
for i,img in enumerate(images):
    print ("Page N°{}\n".format(i+1))
    print(pytesseract.image_to_string(img))

Script pour afficher les rectangles sur un PDF

from pdf2image import convert_from_path, convert_from_bytes
from PIL import Image
import pytesseract
from pytesseract import Output
import cv2
import numpy

images = convert_from_path('invoice.pdf')
for i,source in enumerate(images):
	print ("Page N°{}\n".format(i+1))
	
	#convert PIL to opencv
	pil_image = source.convert('RGB') 
	open_cv_image = numpy.array(pil_image) 
	# Convert RGB to BGR 
	img = open_cv_image[:, :, ::-1].copy() 
	#img = cv2.imread(source)

	d = pytesseract.image_to_data(img, output_type=Output.DICT)
	 
	NbBox = len(d['level'])
	print ("Number of boxes: {}".format(NbBox))

	for j in range(NbBox):
		(x, y, w, h) = (d['left'][j], d['top'][j], d['width'][j], d['height'][j])
		# display rectangle
		cv2.rectangle(img, (x, y), (x + w, y + h), (0, 255, 0), 2)
	 
	cv2.imshow('img', img)
	cv2.waitKey(0)
	cv2.destroyAllWindows()

Applications

• Lire des documents scannés
• Faire de la reconnaissance de texte en temps réel à partir d’une vidéo

Sources

• Tesseract documentation
• Documentation PyTesseract
• Poppler website