invoices-api / tableocr.py
senel's picture
first
c7b6327 verified
Raw History Blame Contribute Delete
3.66 kB
from paddleocr import PaddleOCR
import cv2
import pandas as pd
import numpy as np
from sklearn.cluster import DBSCAN
import os
current_directory = os.getcwd()
# OCR modelini başlat
model = PaddleOCR(use_angle_cls=True, lang='en', use_gpu=True, det_model_dir=f"{current_directory}/.paddleocr/whl/det/en/en_PP-OCRv3_det_infer", rec_model_dir=f"{current_directory}/.paddleocr/whl/rec/en/en_PP-OCRv4_rec_infer", cls_model_dir=f"{current_directory}/.paddleocr/whl/cls/ch_ppocr_mobile_v2.0_cls_infer")
# Resmi oku ve RGB formatına dönüştür
# image_path = "test_images/3.jpg"
# image = cv2.imread(image_path)
# image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)
def get_list(img) -> list:
result = model.ocr(img, cls=False)
sorted_text = ocr_result_to_dataframe(result)
df = pd.DataFrame(sorted_text)
return sorted_text
def ocr_result_to_dataframe(result):
all_texts = []
all_coords = []
# OCR sonuçlarını ayıkla
for iResult in result:
for res in iResult:
line_text = res[1][0]
box_coordinates = res[0]
all_texts.append(line_text)
all_coords.append(box_coordinates)
# Her bir kutunun merkez y koordinatını hesapla
centers_y = [np.mean([coord[1] for coord in box]) for box in all_coords]
heights = [max(coord[1] for coord in box) - min(coord[1] for coord in box) for box in all_coords]
# Ortalama yüksekliği hesapla ve eşik değeri olarak kullan
avg_height = np.mean(heights)
y_threshold = avg_height * 0.5 # Y ekseni farkı için eşik
# DBSCAN kullanarak satırları gruplandır
dbscan = DBSCAN(eps=y_threshold, min_samples=1)
labels = dbscan.fit_predict(np.array(centers_y).reshape(-1, 1))
n_clusters = len(set(labels)) - (1 if -1 in labels else 0)
grouped_texts = [[] for _ in range(n_clusters)]
grouped_coords = [[] for _ in range(n_clusters)]
for text, coords, label in zip(all_texts, all_coords, labels):
if label != -1:
grouped_texts[label].append(text)
grouped_coords[label].append(coords)
# Grupları y koordinatlarına göre sırala
grouped_texts_coords = sorted(zip(grouped_texts, grouped_coords), key=lambda x: np.mean([np.mean([coord[1] for coord in box]) for box in x[1]]))
sorted_texts = []
for group_texts, group_coords in grouped_texts_coords:
# Her grubu x koordinatına göre sırala (soldan sağa)
sorted_group = sorted(zip(group_texts, group_coords), key=lambda x: x[1][0][0])
if len(sorted_group) > 3:
first_text, first_coord = sorted_group[0] # Listenin ilk elemanını al
if any(char.isalpha() for char in first_text): # Harf kontrolü
# Harf içeren bölümü ayır
split_text = first_text.split()
index = len(split_text[0])
if index < len(first_text): # İlk kelime sonrasında bir şey varsa
remaining_text = first_text[index:]
sorted_group[0] = (split_text[0], first_coord) # İlk elemanı güncelle
# Yeni elemanı oluşturarak listeye ekle
sorted_group.insert(1, (remaining_text, first_coord))
sorted_texts.append([text for text, _ in sorted_group])
return sorted_texts
# # OCR sonuçlarını satırlara dönüştür
# grouped_text = ocr_result_to_dataframe(result)
# DataFrame'e dönüştür ve Excel dosyasına yaz
# df = pd.DataFrame(grouped_text)
# df.to_excel('ocr_results.xlsx', index=False, header=False)
# get_list(image)