Tengo un imagen aqui de donde extraigo los párrafos que tienen líneas de lápiz a la izquierda.
Esto se hace gracias al siguiente fragmento de código :
import sys
import cv2
import numpy as np
import cmath
from matplotlib import pyplot as plt
import pytesseract
from PIL import Image
pytesseract.pytesseract.tesseract_cmd = r"C:\Program Files (x86)\Tesseract-OCR\tesseract.exe"
import os
##################################################################
# 1. Lo que ya tenías
imagen = cv2.imread("test.png")
alto, ancho, canales = imagen.shape
contador = 0
# Establece el espacio (desde el el borde izquierdo de la hoja) para considerar como margen
margen = 40
# Evita que identifique bordes de tablas o figuras, como si fueran "marcas"
alto_max = 50
# Puesto que la imagen esta y podria estar inclinada, los extremos de la linea (vertical) podrian estar distantes
ancho_max = 10
# Transforma a escala de grises y luego encuentra los bordes
gray = cv2.cvtColor(imagen, cv2.COLOR_BGR2GRAY)
edges = cv2.Canny(gray, 50, 150, apertureSize = 3)
lineas = cv2.HoughLinesP(edges, 1, np.pi/180, 10, minLineLength=15, maxLineGap=10)
#########################################################################
# 1b. El filtrado de líneas válidas
def linea_valida(linea, margen, ancho_max, alto_max):
x1, y1, x2, y2 = linea
return x1 < margen and abs(x2 - x1) < ancho_max and abs(y2 - y1) < alto_max
validas = [linea[0] for linea in lineas if linea_valida(linea[0], margen, ancho_max, alto_max)]
##########################################################################
# 2. Detección del ángulo girado
def detecta_giro(lineas):
angulos = []
for linea in lineas:
x1, y1, x2, y2 = linea
vector = complex(x1, y1) - complex(x2, y2)
angulo = cmath.phase(vector)
if angulo<0:
angulos.append(angulo)
return np.mean(angulos)
angulo = detecta_giro(validas)
# Convertir a grados
angulo = np.rad2deg(angulo + np.pi/2)
##########################################################################
# 3. Girar la imagen para enderezarla
(h, w) = imagen.shape[:2]
centro = (w // 2, h // 2)
M = cv2.getRotationMatrix2D(centro, angulo, 1.0)
girada = cv2.warpAffine(imagen, M, (w, h),
flags=cv2.INTER_CUBIC, borderMode=cv2.BORDER_REPLICATE)
##########################################################################
# 4. Repetir la transformada de Hough, ahora sobre la imagen rectificada
gray = cv2.cvtColor(girada, cv2.COLOR_BGR2GRAY)
edges = cv2.Canny(gray, 50, 150, apertureSize = 3)
lineas = cv2.HoughLinesP(edges, 1, np.pi/180, 10, minLineLength=15, maxLineGap=10)
# Debido al giro hay menos margen
margen = 35
validas = [linea[0] for linea in lineas if linea_valida(linea[0], margen, ancho_max, alto_max)]
##########################################################################
# 5. Extraer los trozos en la girada
for x1, y1, x2, y2 in validas:
contador += 1
cv2.line(girada, (x1,y1), (x2,y2), (0, 0, 255), 1, cv2.LINE_AA)
# Para ver los recuadros en donde encontro marcas
cv2.rectangle(girada, (0, y1), (ancho, y2), (255, 0, 0), 1)
recorte = girada[y1:y2, 1:ancho-1]
if len(recorte) > 0:
#on doit extraire le texte de recorte
#cv2.imshow("recorte", recorte)
cv2.imwrite("recorte_"+str(contador)+".png", recorte)
text = pytesseract.image_to_string(Image.open("recorte_"+str(contador)+".png"))
os.remove("recorte_"+str(contador)+".png")
#cv2.destroyWindow("recorte")
with open('resume.txt', 'a+') as f:
print('***:', text, file=f)
Pero el texto grabado es:
***: orme bulle immobiliére spéculative des derni
Mer Parte ot tian pantie de ta praneliee comand
***: ns concernent aujourd'hui
ine comparaison départe
ites
Les processus de renforcement des ségrégat
***: wns Concernent aujourd’
processus de renforcement des ségrégat
Quiero saber por qué el texto se registra de abajo hacia arriba y no de arriba hacia abajo y invertir eso.
También me gustaría saber por qué se repite la última línea y no se tiene en cuenta el primer párrafo.
Aqui los tres extractos recorte
La imagen final es la siguiente: