OCR avec png en sortie.

[geo cherchetout]

Bonjour,

Avec pdflatex, je crée un document pdf dont chaque page est l'image scannée
d'une page de magazine, soigneusement retouchée et enregistrée au format png.
Une fois océrisé avec des logiciels comme Adobe Acrobat pro ou ABBYY, les
images contenues sont systématiquement converties en jpeg, avec
inévitablement perte de qualité. (Et en même temps augmentation de volume
dans le cas présent.)
Connaissez vous un logiciel d'OCR qui respecte le format png, c'est-à-dire
qui produise un document dont les images soient les originales ? Merci.

[Papy Bernard]

De : geo cherchetout

Post by geo cherchetout
Bonjour,
Avec pdflatex, je crée un document pdf dont chaque page est l'image
scannée d'une page de magazine, soigneusement retouchée et
enregistrée au format png. Une fois océrisé avec des logiciels comme
Adobe Acrobat pro ou ABBYY, les images contenues sont
systématiquement converties en jpeg, avec inévitablement perte de
qualité. (Et en même temps augmentation de volume dans le cas
présent.) Connaissez vous un logiciel d'OCR qui respecte le format png,
c'est-à-dire qui produise un document dont les images soient les
originales ? Merci.

1/ une image numérisée affichée à l'écran n'a AUCUN format, pas plus *.jpg
que *.png, . . . ..
Ce n'est quà l'enregistrement que l'on choisit le format dans un programme
de traitement d'images.

2/ Non, un tel logiciel n'existe pas. Avant de procéder à la reconnaissance
de caractères, le programme numérise une image physique -la page-, pour
donner une image numérique sans format de fichier.

[geo cherchetout]

Post by Papy Bernard
1/ une image numérisée affichée à l'écran n'a AUCUN format, pas plus *.jpg
que *.png, . . . ..
Ce n'est quà l'enregistrement que l'on choisit le format dans un programme
de traitement d'images.

Je comprends bien.

Post by Papy Bernard
2/ Non, un tel logiciel n'existe pas. Avant de procéder à la reconnaissance
de caractères, le programme numérise une image physique -la page-, pour
donner une image numérique sans format de fichier.

Certes, mais Adobe Acrobat Pro délivre des pdf dont je peux extraire des
images jpeg *exactement identiques octet pour octet* aux images jpeg que
j'ai incorporées dans mes pdf originaux avant océrisation (car je n'y inclus
pas que des png). Ceci prouve qu'il ne fait dans ce cas que recopier
fidèlement les images d'origine, pour peu qu'on le lui demande. À l'éditeur
hexadécimal, j'y retrouve d'ailleurs ces images sagement rangées comme des
sardines dans leur boîte. Qu'est-ce qui l'empêcherait, lui ou un autre, de
se comporter de la même façon avec les images au format png ?

[Tardigradus]

Post by geo cherchetout
Certes, mais Adobe Acrobat Pro délivre des pdf dont je peux extraire des
images jpeg *exactement identiques octet pour octet* aux images jpeg que
j'ai incorporées dans mes pdf originaux avant océrisation (car je n'y inclus
pas que des png). Ceci prouve qu'il ne fait dans ce cas que recopier
fidèlement les images d'origine, pour peu qu'on le lui demande.

Pour peu qu'on le lui demande, comme vous l'avez dit. Il faut donc le
préciser, sinon il applique une nouvelle ocmpression jpeg à l'image
originale.

Post by geo cherchetout
À l'éditeur
hexadécimal, j'y retrouve d'ailleurs ces images sagement rangées comme des
sardines dans leur boîte. Qu'est-ce qui l'empêcherait, lui ou un autre, de
se comporter de la même façon avec les images au format png ?

Il suffit de se fabriquer un "joboptions" qui ne compresse pas. Si vous
savez empêcher de compresser des jpeg, vous savez empêcher de compresser
des de png. Mais une fois dans un pdf, ce ne seront plus des png,
simplement des images identiques octet par octet au png d'origine.

Cela dit, je ne vois pas trop l'intérêt d'utiliser le format png, sauf
pour des images ayant de grands à-plats, ou relevant plutôt du schéma
technique ou scientifique, ce qui n'est généralement pas le cas d'une
couverture de magazine. Un jpeg de qualité maxi est bien plus efficace
et sans perte visible pour une photo réaliste. La faiblesse du jpeg
restant plutôt dans ce cas-là son incapacité à embarquer une couche
alpha ou une transparence.

[geo cherchetout]

Post by Tardigradus
Il suffit de se fabriquer un "joboptions" qui ne compresse pas.

Aïe ! J'imagine qu'il faudrait que ce ou cette joboptions soit fabriqué(e)
par l'éditeur du logiciel d'OCR ?
Ou alors, je pourrais peut-être remanier les pdf océrisés de façon à
y remplacer les images salopées par mes png d'origine ?
J'ai bien un peu essayé avec pdfedit mais je n'ai trouvé ni comment
supprimer une image ni comment insérer une autre image (de mêmes dimensions).
Si tu peux me mettre sur la voie d'une solution de ce genre, je suis prêt à
fournir des efforts...

Post by Tardigradus
Si vous savez empêcher de compresser des jpeg, vous savez empêcher de
compresser des de png. Mais une fois dans un pdf, ce ne seront plus des
png, simplement des images identiques octet par octet au png d'origine.

L'important pour moi est le goût et la couleur du Canada Dry, l'étiquette
sur le flacon, je m'en fiche. :-)
N'empêche que, pour les jpeg et avec les bonnes options dans le logiciel
d'OCR Adobe Acrobat 9.0 Paper Capture Plug-in, je peux avec pdfimages les
récupérer intégralement, en-tête et commentaire compris. Le fichier obtenu
est le fichier que j'y ai mis, ce n'est pas seulement l'image qui est identique.

Post by Tardigradus
Cela dit, je ne vois pas trop l'intérêt d'utiliser le format png, sauf
pour des images ayant de grands à-plats, ou relevant plutôt du schéma
technique ou scientifique, ce qui n'est généralement pas le cas d'une
couverture de magazine.

Il s'agit en fait de revues techniques avec beaucoup de texte et des
illustrations en niveaux de gris sur fond blanc. Le png donne donc des
images plus belles et des fichiers moins gros, surtout après mes retouches.
Puisque j'en suis aux confidences, je dois avouer que ce n'est pas moi qui
procède à l'océrisation parce que les logiciels utilisés ne sont pas
utilisables sous GNU/Linux.

Post by Tardigradus
Un jpeg de qualité maxi est bien plus efficace et sans perte visible pour
une photo réaliste.

J'en suis bien conscient et c'est d'ailleurs le format que j'adopte pour les
pages de couverture avec photos en couleurs. Dans la mesure où je sais
qu'elles ne seront pas recompressées lors de l'océrisation, je me contente
d'une qualité sensiblement inférieure au maximum. (Q = 80 pour ImageMagick
comme pour Gimp.)

[Tardigradus]

Post by geo cherchetout
Aïe ! J'imagine qu'il faudrait que ce ou cette joboptions soit fabriqué(e)
par l'éditeur du logiciel d'OCR ?

Je ne connais pas ton logiciel, difficiel d'émettre un avis.

Post by geo cherchetout
Ou alors, je pourrais peut-être remanier les pdf océrisés de façon à
y remplacer les images salopées par mes png d'origine ?
J'ai bien un peu essayé avec pdfedit mais je n'ai trouvé ni comment
supprimer une image ni comment insérer une autre image (de mêmes dimensions).
Si tu peux me mettre sur la voie d'une solution de ce genre, je suis prêt à
fournir des efforts...

Solution chère mais sûre : Acrobat (complet) plus PitStop Pro, plug-in
s'intallant dans Acrobat, qui est "the" spécialiste pour intervenir dans
des pdf existants, et changer à peu près tout ce qu'on veut. Mais il
faut que le jeu en vaille la chandelle, financièrement parlant.

Si c'est pour peu de temps, les deux logiciels ont des versions d'essai
pleinement fonctionnelle valable un mois.

[geo cherchetout]

Post by Tardigradus
Solution chère mais sûre : Acrobat (complet) plus PitStop Pro, plug-in
s'intallant dans Acrobat, qui est "the" spécialiste pour intervenir dans
des pdf existants, et changer à peu près tout ce qu'on veut. Mais il
faut que le jeu en vaille la chandelle, financièrement parlant.
Si c'est pour peu de temps, les deux logiciels ont des versions d'essai
pleinement fonctionnelle valable un mois.

Merci pour ces précieuses indications.
Pour ceux que cela pourrait intéresser, j'ai un peu progressé avec pdfedit :
On peut facilement supprimer une image. L'inconvénient, c'est que le fichier
pdf voit sa taille augmenter au lieu de diminuer. :-/ Y'a quelque chose qui
cloche là-dedans.
Quand à insérer une image dans une page, je n'ai pas encore trouvé...

[geo cherchetout]

Post by Tardigradus
Il suffit de se fabriquer un "joboptions" qui ne compresse pas. Si vous
savez empêcher de compresser des jpeg, vous savez empêcher de compresser
des de png. Mais une fois dans un pdf, ce ne seront plus des png,
simplement des images identiques octet par octet au png d'origine.

Est-ce compliqué de créer ce joboptions ? Mon ami n'est pas plus que moi
informaticien ou professionnel de l'édition. Le petit fichier texte proposé
ici peut peut-être servir de base ?
http://www.rsc.org/Publishing/ReSourCe/AuthorGuidelines/ElectronicFiles/Templates/joboptions.asp
Les options semblent à peu près compréhensibles mais je ne comprends pas la
syntaxe. Les lignes commençant par / sont commentées ?
Si je mets EncodeGrayImages false, je suppose que les documents produits
seront énormes ?
Comment spécifier qu'on veut une compression sans pertes ?
GrayImageFilter FlateEncode serait accepté ?

Ensuite, comment l'utilise-t-on ? Je suppose qu'il y a dans Acrobat un menu
permettant de désigner ce fichier au moment de procéder à un traitement ?

[Tardigradus]

Post by geo cherchetout
Est-ce compliqué de créer ce joboptions ?

Non. Il faut juste veiller à mettre les commandes downsample à false,
comme ceci :
/DownsampleColorImages false
/DownsampleGrayImages false
/DownsampleMonoImages false

Idem pour /EncodeColorImages false et /AutoFilterColorImages false, même
chose pour les images en niveaux de gris et en mono si tu en as besoin.

Voici mon fichier sans compression, si tu veux copier-coller les parties
concernant les images à la place de l'autre (je ne te conseille pas de
copier-coller le reste car je ne maîtrise pas la syntaxe de la totalité
du truc, et j'ai été obligé de virer des trucs en hexa à la fin car le
groupe n'accepte pas les binaires). Il faut le nommer avec une extension
en ".joboptions" et le mettre dans un dossier Settings planqué à
différents endroits possibles selon le système d'exploitation. Trouver
les autres avec une commande de recherche et le mettre au même endroit.

<<
/ASCII85EncodePages false
/AllowTransparency false
/AutoPositionEPSFiles true
/AutoRotatePages /All
/Binding /Left
/CalGrayProfile (Gray Gamma 2.2)
/CalRGBProfile (sRGB IEC61966-2.1)
/CalCMYKProfile (U.S. Web Coated \050SWOP\051 v2)
/sRGBProfile (sRGB IEC61966-2.1)
/CannotEmbedFontPolicy /Warning
/CompatibilityLevel 1.5
/CompressObjects /All
/CompressPages true
/ConvertImagesToIndexed true
/PassThroughJPEGImages true
/CreateJobTicket false
/DefaultRenderingIntent /Default
/DetectBlends true
/DetectCurves 0.1000
/ColorConversionStrategy /sRGB
/DoThumbnails false
/EmbedAllFonts true
/EmbedOpenType false
/ParseICCProfilesInComments true
/EmbedJobOptions false
/DSCReportingLevel 0
/EmitDSCWarnings false
/EndPage -1
/ImageMemory 1048576
/LockDistillerParams false
/MaxSubsetPct 100
/Optimize true
/OPM 1
/ParseDSCComments true
/ParseDSCCommentsForDocInfo true
/PreserveCopyPage true
/PreserveDICMYKValues true
/PreserveEPSInfo false
/PreserveFlatness true
/PreserveHalftoneInfo false
/PreserveOPIComments false
/PreserveOverprintSettings true
/StartPage 1
/SubsetFonts true
/TransferFunctionInfo /Apply
/UCRandBGInfo /Remove
/UsePrologue false
/ColorSettingsFile ()
/AlwaysEmbed [ true
]
/NeverEmbed [ true
/Arial-Black
/Arial-BlackItalic
/Arial-BoldItalicMT
/Arial-BoldMT
/Arial-ItalicMT
/ArialMT
/ArialNarrow
/ArialNarrow-Bold
/ArialNarrow-BoldItalic
/ArialNarrow-Italic
/CenturyGothic
/CenturyGothic-Bold
/CenturyGothic-BoldItalic
/CenturyGothic-Italic
/CourierNewPS-BoldItalicMT
/CourierNewPS-BoldMT
/CourierNewPS-ItalicMT
/CourierNewPSMT
/Georgia
/Georgia-Bold
/Georgia-BoldItalic
/Georgia-Italic
/Impact
/LucidaConsole
/Tahoma
/Tahoma-Bold
/TimesNewRomanMT-ExtraBold
/TimesNewRomanPS-BoldItalicMT
/TimesNewRomanPS-BoldMT
/TimesNewRomanPS-ItalicMT
/TimesNewRomanPSMT
/Trebuchet-BoldItalic
/TrebuchetMS
/TrebuchetMS-Bold
/TrebuchetMS-Italic
/Verdana
/Verdana-Bold
/Verdana-BoldItalic
/Verdana-Italic
]
/AntiAliasColorImages false
/CropColorImages true
/ColorImageMinResolution 150
/ColorImageMinResolutionPolicy /OK
/DownsampleColorImages false
/ColorImageDownsampleType /Average
/ColorImageResolution 150
/ColorImageDepth -1
/ColorImageMinDownsampleDepth 1
/ColorImageDownsampleThreshold 1.50000
/EncodeColorImages false
/ColorImageFilter /None
/AutoFilterColorImages false
/ColorImageAutoFilterStrategy /JPEG
/ColorACSImageDict <<
/QFactor 0.15
/HSamples [1 1 1 1] /VSamples [1 1 1 1]
/ColorImageDict <<
/QFactor 0.15
/HSamples [1 1 1 1] /VSamples [1 1 1 1]
/JPEG2000ColorACSImageDict <<
/TileWidth 256
/TileHeight 256
/Quality 30
/JPEG2000ColorImageDict <<
/TileWidth 256
/TileHeight 256
/Quality 30
/AntiAliasGrayImages false
/CropGrayImages true
/GrayImageMinResolution 150
/GrayImageMinResolutionPolicy /OK
/DownsampleGrayImages false
/GrayImageDownsampleType /Average
/GrayImageResolution 150
/GrayImageDepth -1
/GrayImageMinDownsampleDepth 2
/GrayImageDownsampleThreshold 1.50000
/EncodeGrayImages false
/GrayImageFilter /None
/AutoFilterGrayImages true
/GrayImageAutoFilterStrategy /JPEG
/GrayACSImageDict <<
/QFactor 0.15
/HSamples [1 1 1 1] /VSamples [1 1 1 1]
/GrayImageDict <<
/QFactor 0.15
/HSamples [1 1 1 1] /VSamples [1 1 1 1]
/JPEG2000GrayACSImageDict <<
/TileWidth 256
/TileHeight 256
/Quality 30
/JPEG2000GrayImageDict <<
/TileWidth 256
/TileHeight 256
/Quality 30
/AntiAliasMonoImages false
/CropMonoImages true
/MonoImageMinResolution 1200
/MonoImageMinResolutionPolicy /OK
/DownsampleMonoImages false
/MonoImageDownsampleType /Average
/MonoImageResolution 1200
/MonoImageDepth -1
/MonoImageDownsampleThreshold 1.50000
/EncodeMonoImages false
/MonoImageFilter /None
/MonoImageDict <<
/K -1
/AllowPSXObjects true
/CheckCompliance [
/None
]
/PDFX1aCheck false
/PDFX3Check false
/PDFXCompliantPDFOnly false
/PDFXNoTrimBoxError true
/PDFXTrimBoxToMediaBoxOffset [
0.00000
0.00000
0.00000
0.00000
]
/PDFXSetBleedBoxToMediaBox true
/PDFXBleedBoxToTrimBoxOffset [
0.00000
0.00000
0.00000
0.00000
]
/PDFXOutputIntentProfile ()
/PDFXOutputConditionIdentifier ()
/PDFXOutputCondition ()
/PDFXRegistryName ()
/PDFXTrapped /False

/CreateJDFFile false
/Description <<
/ARA

[Tardigradus]

Post by Tardigradus
Non. Il faut juste veiller à mettre les commandes downsample à false,
/DownsampleColorImages false
/DownsampleGrayImages false
/DownsampleMonoImages false

Heu, j'oubliais de préciser que c'était en référence au fichier
jobotions dont tu donnais l'url. Sers-toi de ce fichier et modifie-le
selon ce que je te dis dansl'autre message.

[geo cherchetout]

Post by Tardigradus

Post by Tardigradus
Non. Il faut juste veiller à mettre les commandes downsample à false,
/DownsampleColorImages false
/DownsampleGrayImages false
/DownsampleMonoImages false

Heu, j'oubliais de préciser que c'était en référence au fichier
jobotions dont tu donnais l'url. Sers-toi de ce fichier et modifie-le
selon ce que je te dis dansl'autre message.

OK, on va essayer tout ça. Merci pour ton aide.

[geo cherchetout]

Post by Tardigradus
Il suffit de se fabriquer un "joboptions" qui ne compresse pas.

Je pense avoir bien compris à présent le principe des joboptions, nouveau
pour moi mais finalement bien simple.
Est-il utilisable avec Adobe Acrobat Extended ? C'est le nom exact du
logiciel avec lequel mon correspondant réalise l'OCR. (Pas Adobe Acrobat Pro
Extended.)
La question s'adresse évidemment à tous, merci.

[Tardigradus]

Post by geo cherchetout
Est-il utilisable avec Adobe Acrobat Extended ? C'est le nom exact du
logiciel avec lequel mon correspondant réalise l'OCR. (Pas Adobe Acrobat Pro
Extended.)

Acrobat et Acrobat Pro se distinguent par des fonctionnalités
supplémentaires, mais pas au niveau de Distiller, et donc pas dans
l'utilisatin des jobotions.
Si ton correspondant a Adobe Acrobat, i la un logiciel nommé Distiller,
qui fait partie du pack, et dans lequel se trouvent les commandes pour
miodifier directement un joboptions directement dans une
interfacegraphique, à la souris. C'est le menu Configuration, modifier
les configurations, onglet Images. Là, il faut désactiver tout ce qui
est comrpession et rééchantillonnage puis enregistrer le réglage sous un
nom adéquat.

[geo cherchetout]

Post by Tardigradus
Si ton correspondant a Adobe Acrobat, i la un logiciel nommé Distiller,
qui fait partie du pack, et dans lequel se trouvent les commandes pour
miodifier directement un joboptions directement dans une
interfacegraphique, à la souris.

Et s'il ne peut plus utiliser Distiller, pour cause de dépassement de la
durée d'essai par exemple, peut-il quand-même intervenir sur les réglages en
utilisant un fichier joboptions ?

[Tardigradus]

Post by geo cherchetout
Et s'il ne peut plus utiliser Distiller, pour cause de dépassement de la
durée d'essai par exemple, peut-il quand-même intervenir sur les réglages en
utilisant un fichier joboptions ?

Ton histoire devient compliquée. Car si la date est dépassée pour
Distiller, elle l'est aussi pour Adobe Acrobat, vu qu'ils sont installés
en même temps. Et donc le plug-in d'ocr ne marche plus non plus,
logiquement.

Toutefois, il est toujours possible de modifier le joboption en mode
texte, comme on en a déjà discuté. On peut ensuite le choisir comme
réglage dans l'imprimante vittuelle Adobe pdf, puis tenter de faire
l'ocr, mais là je en vois pas comment...

[geo cherchetout]

Post by Tardigradus
Ton histoire devient compliquée. Car si la date est dépassée pour
Distiller, elle l'est aussi pour Adobe Acrobat, vu qu'ils sont installés
en même temps. Et donc le plug-in d'ocr ne marche plus non plus,
logiquement.

Ouais, je ne sais pas ce qu'il a trafiqué mais il peut toujours réaliser
l'OCR. C'est une personne qui agit quelque peu au-delà de notre logique. (Je
fais gaffe à ce que je dis, des fois qu'il lirait cette discussion.) ;-)

Post by Tardigradus
Toutefois, il est toujours possible de modifier le joboption en mode
texte, comme on en a déjà discuté. On peut ensuite le choisir comme
réglage dans l'imprimante vittuelle Adobe pdf, puis tenter de faire
l'ocr, mais là je en vois pas comment...

J'ignore comment il procède au juste mais il a bien accès à certains
réglages en mode graphique. Il peut notamment choisir que les images
incorporées aux pdf que je lui transmets soient ou non recompressées lors du
traitement. Que ces images soient en couleurs ou en niveaux de gris, son
choix est bien pris en compte quand j'incorpore des images enregistrées en
jpeg. En revanche, quand j'incorpore des images png, (presque toujours en
niveaux de gris), son Acrobat les recompresse systématiquement avec le mode
de compression propre au jpeg, ceci avec les mêmes réglages.

Supposons donc que l'usage des joboptions lui soit permis et reprenons un
peu de recul. J'ai placé quelque espoir dans ces sympathiques joboptions
mais permettent-ils de modifier des paramètres inaccessibles (autant que je
sache) par les menus de réglage graphiques ? Si oui, comment spécifier dans
un joboptions que mes images png doivent être restituées sans pertes et sous
un volume minimal ? Acrobat en est bien capable, j'imagine ?

[Tardigradus]

Post by geo cherchetout
J'ignore comment il procède au juste

Ben alors pourquoi c'est pas lui qui vient poser des questions, vu que
c'est lui qui a des problèmes ?

[Tardigradus]

Post by geo cherchetout
J'ai placé quelque espoir dans ces sympathiques joboptions
mais permettent-ils de modifier des paramètres inaccessibles (autant que je
sache) par les menus de réglage graphiques ?

Aucune idée. De plus, je ne vois pas l'intérêt : pourquoi cacher en mode
graphique destrucs intéressant, seulement accessibles en mode texte ?
Note que je ne dis pas que c'est impossible, on en a vu d'autres...

[geo cherchetout]

Post by Tardigradus
Toutefois, il est toujours possible de modifier le joboption en mode
texte, comme on en a déjà discuté. On peut ensuite le choisir comme
réglage dans l'imprimante vittuelle Adobe pdf, puis tenter de faire
l'ocr, mais là je en vois pas comment...

Les options auraient probablement pu être enregistrées depuis l'interface
graphique (PDFMaker ?) mais il fut beaucoup plus facile pour moi d'envoyer
un fichier joboptions à copier sous C:\Documents and Settings\[nom de
l'utilisateur]\Application Data\Adobe\Adobe PDF\Settings que d'expliquer en
détails quels menus choisir, quels onglets, quelles options, comment
enregistrer la configuration.

Résultats : Ça a fonctionné du premier coup. :-) Tes indications conduisent
à un respect absolu de mes images.

J'ai proposé aussi cette petite variante :

/EncodeGrayImages true
/GrayImageFilter /FlateEncode

Et ça marche aussi. Le document produit avec cette variante est à peine plus
gros, ce qui prouve qu'Acrobat compresse sans pertes avec un soin presque
égal à celui que j'apporte moi-même à cette opération. Il peut toujours être
utile de savoir que FlateEncode est reconnu.

Mille merci. :-)

[Tardigradus]

Post by geo cherchetout
Résultats : Ça a fonctionné du premier coup. :-) Tes indications conduisent
à un respect absolu de mes images.

Hé bien j'en suis heureux.