SANE + ArgyllCMS + gImageReader + Tesseract OCR + noteshrink | ImageMagick

Je me suis organisé autour de ces outils (avec des scripts pour automatiser tout ce qui peut l'être) :

• Scan en 300 dpi avec scanimage (SANE) (gros fichier bien lourd)
• Correction des couleurs avec cctiff d'ArgyllCMS (optionnel)
• gImageReader (version Qt dans mon cas) pour piloter la reconnaissance de caractères
• Reconnaissance des caractères elle-même faite avec Tesseract OCR
• Si les documents sont plutôt textuels et avec peu de couleurs différentes, utilisation de noteshrink pour produire des PNG 300 dpi tout petits (300 à 400 KiB pour un A4)
• Si les documents contiennent trop d'images, utilisation de convert d'ImageMagick pour réduire les scans en JPEG de 150 dpi
• Création d'un PDF avec les diverses pages de taille réduite

Quelques remarques complémentaires :

• Il faut au moins 300 dpi pour avoir une bonne reconnaissance de caractères
• 150 dpi suffisent ensuite quand on veut consulter le document
• Le bon alignement du texte scanné est important, un écart de rotation de moins de 1 % suffit à passer d'un texte reconnu pour l'essentiel à un texte illisible ; d'où l'utilisation de gImageReader qui permet de vérifier et corriger facilement tout cela
• La correction des couleurs, c'est vraiment parce que j'avais une cible de calibration sous la main...

Sinon, il y a Paperwork (https://openpaper.work/fr/) qui fait tout ce boulot de manière très automatisée (et donc très productive), à condition que les principes de travail de l'auteur te conviennent.