Détection d’images dans PDF & OCR optimisé + enrichissement LLM

créer un package python
Contexte et objectif

Nous disposons d’un ensemble de documents PDF « mixtes » : ils ne sont pas entièrement scannés, mais contiennent des zones (images, photos, logos, graphiques…) susceptibles d’inclure du texte ou d’autres informations visuelles intéressantes. L’objectif est de confier à un(e) freelance la réalisation d’un module/script capable de :

Parcourir un PDF et identifier automatiquement toutes les images embarquées (quelle que soit leur taille ou leur format d’encodage).

Pour chaque image détectée :

Extraire (via OCR) le texte qui s’y trouve ;

Conserver, dans le PDF final, la ou les zones texte détectées aux emplacements exacts d’origine (coordonnées X/Y, largeur/hauteur) ;

Générer, en sus, une description textuelle de l’image elle-même (ex. : “logo d’entreprise”, “carte de visite”, “schéma technique”, etc.), idéalement en exploitant GPT-Vision ou une solution équivalente.

Réinjecter ces informations (texte OCR et métadonnées de l’image) dans le même PDF, de façon à ce qu’un lecteur humain ou un outil de recherche interne puisse :

Voir le texte issu de l’image dans son contexte graphique ;

Disposer d’un “tag”/commentaire/annotation pour chacune des images, décrivant son contenu (par exemple, “Logo Société X” ou “Code-barres 2D”) ;

Conserver la mise en page globale du PDF (champs texte originaux, images, graphiques, etc.).

En résumé, nous voulons un “OCR augmenté” : plutôt que de traiter l’intégralité du PDF, on cible uniquement les zones images, on y applique des méthodes avancées (classiques + IA), on récupère le texte et on commente l’image, puis on reconstitue un PDF enrichi.