Alternatives à Tesseract (mise à jour 2022)

Introduction

Tesseract a été initialement créé entre 1985 et 1994 par HP Laboratories Bristol et HP Co. à Greeley, Colorado. D'autres améliorations ont été apportées en 1996 pour le faire passer sous Windows, et il a été réécrit en C++ en 1998. HP a rendu Tesseract open source en 2005. Google y travaille depuis 2006.

Tesseract OCR est un outil qui fait partie de la catégorie des API d'analyse d'images de la pile technologique de Google. Il peut supprimer automatiquement les arrière-plans encombrés et générer des fichiers PDF comparables à ceux produits par des scanners. Tesseract utilise une technologie de reconnaissance optique de caractères très précise qui permet de convertir des documents papier numérisés en fichiers numériques consultables. Il peut extraire du texte et des caractères de photos d'appareil photo, d'images numériques et de documents PDF numérisés comportant plusieurs pages. En outre, les PDF contenant du texte dactylographié ou imprimé peuvent être convertis en texte codé par ordinateur.

Il existe d'autres logiciels d'OCR(à la fois open source et propriétaires, basés sur des services web) qui permettent tous d'extraire du texte à partir de fichiers images et de PDF. Dans cet article, nous allons examiner quelques outils d'OCR qui sont des alternatives à Tesseract OCR.

ABBYY FineReader PDF

Développé par ABBYY, ABBYY FineReader PDF est un logiciel de reconnaissance optique de caractères qui convertit les documents images(tels que des photographies, des scans et des fichiers PDF)et des captures d'écran dans des formats de fichiers modifiables tels que Microsoft Word, Microsoft Excel, Microsoft PowerPoint, Rich Text Format, HTML, PDF/A, PDF interrogeable, CSV et texte(texte en clair).

ABBYY FineReader PDF peut produire des fichiers PDF directement à partir de documents papier, de plus de 25 types de fichiers différents ou en les publiant sur une imprimante PDF à partir de pratiquement n'importe quel programme. L'archivage à long terme est possible pour les formats PDF/A-1 à PDF/A-3, et le format PDF/UA garantit l'accessibilité du contenu en cas d'utilisation de technologies d'assistance telles que les lecteurs d'écran.

En outre, ABBYY FineReader PDF permet aux experts d'être aussi efficaces que possible sur le lieu de travail numérique. ABBYY FineReader intègre les documents numérisés dans les flux de travail numériques, ce qui permet d'économiser du temps et des efforts lors de la gestion et de l'achèvement des documents. Vous n'avez pas besoin de convertir votre PDF pour modifier le texte, les tableaux ou l'ensemble de la mise en page. Quelle que soit la manière dont le document a été produit - numériquement ou directement à partir d'une copie papier - ce logiciel peut traiter n'importe quel document facilement et méthodiquement. Le logiciel peut également créer des fichiers PDF modifiables.

Une version bureautique d'ABBYY FineReader est disponible sous Windows, Linux et macOS.

OCR AWS

En tant que spécialiste de l'apprentissage automatique(ML) amazon Textract extrait du texte, de l'écriture, des tableaux et d'autres données à partir de n'importe quel document numérisé. Il utilise l'apprentissage profond pour extraire avec précision et automatiquement le contenu des documents numérisés tels que les PDF, les photos, les tableaux et les formulaires. Ensuite, Amazon Textract produit les informations dans un format de fichier éditable et organisé.

Prenons le cas d'une entreprise qui doit transférer sur des feuilles de calcul Excel les informations pertinentes contenues dans les copies papier des factures de plusieurs entreprises. Il est courant de faire appel à du personnel chargé de la saisie des données pour accomplir cette tâche manuellement, mais cette méthode s'avère souvent désorganisée, chronophage et sujette aux erreurs. En outre, d'autres entreprises qui utilisent certaines solutions logicielles d'OCR passent souvent des heures à configurer leurs outils pour extraire des données de leurs documents(qui doivent souvent être mis à jour lorsque leur format change).

Avec Textract, les entreprises n'ont qu'à télécharger nos factures vers le service web, et elles obtiendront le texte, les formulaires, les paires clé-valeur et les tableaux de ces documents dans un format plus organisé. Il n'est donc plus nécessaire de procéder à des saisies manuelles, longues et coûteuses.

En outre, Amazon OCR vous permet d'ajouter facilement l'analyse d'images et de vidéos à vos applications en utilisant une technologie d'apprentissage profond éprouvée et hautement évolutive qui ne nécessite aucune expertise en matière d'apprentissage automatique.

iText

iText est un programme d'OCR pour l'utilisateur final qui traite les images numérisées à l'aide de plusieurs moteurs d'OCR de premier plan. Selon les termes de la licence AGPL, vous êtes libre d'utiliser iText 7 Core et un certain nombre de modules complémentaires. Pour les alternatives, vous pouvez également choisir parmi une variété de licences commerciales.

Le groupe iText, qui fabrique des produits tels que iText 7 Suite et iText DITO, est un leader mondial de la technologie PDF. Elle crée des logiciels PDF de pointe et primés qui sont utilisés par des millions de clients dans le monde entier pour créer des documents numériques à des fins diverses, notamment des factures, des relevés de cartes de crédit, des cartes d'embarquement mobiles, l'archivage juridique, et bien plus encore. Ce logiciel est disponible à la fois sous forme de logiciel libre et de logiciel commercial.

Le groupe iText propose également la suite iText 7, un SDK PDF complet et open-source qui contient iText 7 Core ainsi que des modules complémentaires optionnels pour une liberté et une productivité maximales.

Tencent Cloud OCR

La technologie OCR de Tencent Cloud permet de détecter et d'identifier automatiquement le texte dans les photos. Sa fiabilité et son taux de précision moyen sont supérieurs à 95 % pour les textes imprimés et à 90 % pour les textes manuscrits. Les algorithmes d'analyse de documents et de reconnaissance de texte de la technologie OCR ont été développés par le Tencent YouTu Lab. Il peut être utilisé dans des situations impliquant une distorsion de la perspective, un éclairage erratique, une occlusion partielle, etc. Il prend en charge les modes paysage et portrait. Avec une précision accrue, la technologie permet de distinguer le texte chinois, le texte anglais, le texte chinois/anglais, les chiffres et les symboles spéciaux. Il offre aux développeurs une grande variété d'API qui peuvent être appelées directement, ainsi que des SDK faciles à utiliser.

IronOCR

IronOCR est une application de reconnaissance de texte OCR et de numérisation de documents très précise et efficace. Les développeurs de logiciels peuvent lire du texte à partir d'images et de fichiers PDF dans des applications et des pages web .NET à l'aide d'IronOCR pour .NET. Le logiciel aide à la numérisation de texte et de codes-barres d'images, prend en charge un large éventail de langues étrangères et génère des sorties sous forme de texte brut ou de données structurées. Les applications Web, console, MVC et une variété d'applications de bureau .NET peuvent toutes utiliser la bibliothèque OCR d'Iron Software. En cas d'utilisation à des fins commerciales, un soutien direct de l'équipe de développement est fourni, ainsi que les licences correspondantes. IronOCR intègre rapidement dans les applications des fonctions de traitement des documents telles que la conversion, la création, l'édition, la manipulation, la compression et l'amélioration des images.

• Utilisant le moteur Tesseract 5 le plus récent, IronOCR peut lire du texte, des codes-barres et des codes QR à partir de n'importe quel format PDF. Avec cette bibliothèque, l'ajout de l'OCR aux applications de bureau, en ligne et de console est rapide et facile.
• IronOCR dispose de capacités de capture de données telles que la lecture de codes-barres, la détection et la numérisation de documents, ainsi que l'extraction de données à partir de textes. Il convertit le matériel source, tel que les PDF et les images, en enregistrements de données structurées.
• Au total, 127 langues internationales sont prises en charge par l'IronOCR. Les langues et les listes de mots personnalisées sont également prises en charge.
• Plus de 20 formats de codes-barres et de codes QR peuvent être lus à l'aide d'IronOCR.
• Il prend en charge les formats d'image multi-pages TIFF et GIF.
• Il corrige les scans et les photos de mauvaise qualité.
• Il permet des opérations multithread. Il peut également exécuter un ou plusieurs processus simultanément.
• Les pages, les paragraphes, les lignes, les mots, les caractères, etc. peuvent tous recevoir des données structurées en sortie d'IronOCR.
• Les systèmes d'exploitation tels que Windows, Linux, macOS et autres sont pris en charge par IronOCR.
• Il peut extraire des informations des fichiers PDF ou JPEG et de divers autres documents.
• IronOCR offre la précision, la reconnaissance intelligente des caractères et la reconnaissance zonale pour vous permettre de créer rapidement des documents modifiables.
• IronOCR numérise par lots des documents au format PDF et reconnaît automatiquement le texte dans toutes les langues. Il est également possible de définir manuellement la langue dans laquelle le texte doit être reconnu automatiquement.
  

  Vous trouverez ci-dessous un exemple de code permettant d'effectuer une reconnaissance optique de caractères sur un fichier image.

using IronOcr;

var Ocr = new IronTesseract(); // nothing to configure
using (var Input = new OcrInput(@"images\image.png"))
{
    var Result = Ocr.Read(Input);
    Console.WriteLine(Result.Text);
}

using IronOcr;

var Ocr = new IronTesseract(); // nothing to configure
using (var Input = new OcrInput(@"images\image.png"))
{
    var Result = Ocr.Read(Input);
    Console.WriteLine(Result.Text);
}

Imports IronOcr

Private Ocr = New IronTesseract() ' nothing to configure
Using Input = New OcrInput("images\image.png")
	Dim Result = Ocr.Read(Input)
	Console.WriteLine(Result.Text)
End Using

Cliquez surici pour plus de tutoriels sur IronOCR.

Conclusion

Tesseract est facile à utiliser et prend en charge les images et les documents PDF pour une variété de méthodes. Il est fourni par IronOCR for .NET Framework. En outre, il offre un certain nombre de paramètres permettant d'améliorer la fonctionnalité de la bibliothèque OCR de Tesseract. La possibilité d'utiliser plusieurs langues simultanément est offerte dans un large éventail de langues. Les packages IronOCR offrent des licences et une assistance compétitives pour toutes les plateformes à un prix unique. Ils sont également accompagnés d'un an de mises à jour gratuites, de mises à niveau des fonctionnalités et d'une assistance de la part de notre équipe d'ingénieurs. IronOCR est l'une des meilleures alternatives au Tesseract développé par Google, et il peut être facilement mis en œuvre avec seulement quelques lignes de code.

IronOCR est livré avec la couverture de redistribution libre de droits qui est nécessaire pour les produits logiciels packagés, SaaS et OEM. Les autres produits d'OCR, en revanche, sont tous entièrement personnalisés et généralement plus chers. Les deux produits ont des prix différents, IronOCR commençant à $749. Ici pour plus de détails sur les licences et les prix. En résumé, IronOCR offre plus de fonctionnalités à un coût global inférieur.