Extraction de texte à partir d'images et visualisation en utilisant deux méthodes différentes (EasyOCR et Keras-OCR)

Ce projet démontre comment lire, afficher et extraire du texte à partir d'images en utilisant OpenCV, Matplotlib et EasyOCR. en utilisant Google Colab

cliquez ici :

Requirements

Avant d'exécuter le code, assurez-vous d'avoir installé les packages Python suivants :

• OpenCV
• Matplotlib
• EasyOCR
• Pandas

Vous pouvez installer ces packages en utilisant pip:

pip install pip install opencv-contrib-python matplotlib easyocr pandas

Ou vous pouvez installer toutes les dépendances en utilisant requirements.txt :

pip install -r requirements.txt

Résultats

• EasyOCR: A extrait environ 60 % du texte de l'image.

• Keras-OCR: A extrait près de 90 % du texte de la même image.

Extraction de tableau depuis une image en préservant le format du tableau en utilisant img2table

Ce projet vise à extraire du tableau à partir d'une image tout en préservant le format original du tableau. Voici un résumé du processus :

1. Installation des dépendances : Les dépendances nécessaires sont installées pour le projet. Les packages utilisés sont importés depuis :

   • img2table.document
   • img2table.ocr
   • pandas Vous pouvez installer ces packages en utilisant pip:

   pip install pip install img2table[easyocr]

   pip install pip install img2table[paddle]

2. Extraction de texte avec EasyOCR :

   • Une image est initialisée avec la source de l'image.

   • EasyOCR est utilisé pour l'extraction de texte en spécifiant la langue française.

   • Les tableaux sont extraits avec EasyOCR en détectant les tableaux sans bordure.

   • Les résultats sont stockés et converti en DataFrame.

     Remarque: cette methode n'arrive pas à differentier 5 et S au niveau de header

3. Extraction de texte avec PaddleOCR :

   • Une autre méthode d'extraction de texte est utilisée avec PaddleOCR en spécifiant la langue française et des paramètres supplémentaires.

   • Les tableaux sont extraits avec PaddleOCR.

   • Les résultats sont stockés et converti en DataFrame.

     Remarque: cette methode n'arrive pas à a lire le header(S) il le considère comme une valeur None

4. Formater le tableau pour que ça correspond a ce qui est affiché et le convertir en json format :

Traitement des Deux Premières Lignes de la Première Colonne

• La fonction process_first_two_rows(df) traite les deux premières lignes de la première colonne du DataFrame.
• Pour chaque ligne, elle extrait le premier élément de la cellule s'il existe, sinon elle ajoute 'None' à la liste des éléments traités.

      def process_first_two_rows(df):
          processed_elements = []
          for i in range(3):
              cell = df.iloc[i, 0]
              if pd.isna(cell):
                  processed_elements.append(None)
              else:
                  elements = cell.split('\n')
                  # Take the first element
                  processed_elements.append(elements[0])
          return processed_elements

Traitement des Lignes Restantes de la Première Colonne

• La fonction process_remaining_rows(df) traite les lignes restantes de la première colonne du DataFrame.
• Elle extrait les éléments suivants de chaque cellule à partir de la troisième ligne, en les ajoutant à la liste des éléments traités.
• Si une ligne ne contient pas suffisamment d'éléments, elle ajoute 'None' à la liste des éléments traités.

    def process_remaining_rows(df):
    processed_elements = []
    for i in range(3, len(df.iloc[:, 0])):
        cell = df.iloc[i, 0]
        if pd.isna(cell):
            processed_elements.append(None)
        else:
            elements = cell.split('\n')
            # Remove the first element
            elements = elements[1:]
            if i - 3 < len(elements):
                processed_elements.append(elements[i - 3])
            else:
                processed_elements.append(None)
    return processed_elements