ocr_module.py

import os
import sys
import pytesseract
import cv2
import numpy as np
from PIL import Image
import json
import logging
import tempfile

# Configuration du logging
logging.basicConfig(level=logging.INFO, format='%(asctime)s - %(name)s - %(levelname)s - %(message)s')
logger = logging.getLogger(__name__)

# Chemin vers Tesseract (à ajuster selon l'environnement)
if sys.platform.startswith('win'):
    pytesseract.pytesseract.tesseract_cmd = r'C:\Program Files\Tesseract-OCR\tesseract.exe'

# Répertoire temporaire
TEMP_DIR = os.path.join(os.path.dirname(os.path.dirname(os.path.abspath(__file__))), "temp")
if not os.path.exists(TEMP_DIR):
    os.makedirs(TEMP_DIR)

def preprocess_image(image_path):
    """Prétraitement de l'image pour améliorer la reconnaissance OCR"""
    try:
        # Lire l'image avec OpenCV
        img = cv2.imread(image_path)
        if img is None:
            logger.error(f"Impossible de lire l'image: {image_path}")
            return None

        # Convertir en niveaux de gris
        gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
        
        # Appliquer un filtre bilatéral pour réduire le bruit tout en préservant les bords
        blur = cv2.bilateralFilter(gray, 9, 75, 75)
        
        # Normaliser la luminosité et le contraste
        normalized = cv2.normalize(blur, None, 0, 255, cv2.NORM_MINMAX)
        
        # Seuillage adaptatif pour améliorer le contraste entre le texte et l'arrière-plan
        thresh = cv2.adaptiveThreshold(normalized, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, 
                                       cv2.THRESH_BINARY, 11, 2)
        
        # Enregistrer l'image prétraitée
        processed_image_path = os.path.join(TEMP_DIR, f"processed_{os.path.basename(image_path)}")
        cv2.imwrite(processed_image_path, thresh)
        
        return processed_image_path
    except Exception as e:
        logger.error(f"Erreur lors du prétraitement de l'image: {str(e)}")
        return None

def perform_ocr(image_path, lang='fra'):
    """Extraire le texte d'une image en utilisant Tesseract OCR"""
    try:
        # Prétraiter l'image
        processed_image_path = preprocess_image(image_path)
        if not processed_image_path:
            processed_image_path = image_path  # Utiliser l'image originale si le prétraitement échoue
        
        # Configuration OCR
        custom_config = r'--oem 3 --psm 6'
        
        # Effectuer l'OCR
        text = pytesseract.image_to_string(Image.open(processed_image_path), lang=lang, config=custom_config)
        
        # Nettoyer le texte
        text = text.strip()
        
        # Supprimer l'image prétraitée si elle existe
        if processed_image_path != image_path and os.path.exists(processed_image_path):
            os.remove(processed_image_path)
            
        return text
    except Exception as e:
        logger.error(f"Erreur OCR: {str(e)}")
        return None

def process_image(image_path, lang='fra'):
    """Traiter une image et extraire son texte"""
    try:
        # Extraire le texte
        extracted_text = perform_ocr(image_path, lang)
        
        if not extracted_text:
            return {"error": "Aucun texte n'a pu être extrait de l'image"}
        
        # Préparer le résultat
        result = {
            "text": extracted_text,
            "confidence": 0.9  # Valeur fictive car Tesseract ne fournit pas de score de confiance simple
        }
        
        return result
    except Exception as e:
        logger.error(f"Erreur lors du traitement de l'image: {str(e)}")
        return {"error": str(e)}

# Test direct du module
if __name__ == "__main__":
    if len(sys.argv) > 1:
        image_path = sys.argv[1]
        result = process_image(image_path)
        print(json.dumps(result, ensure_ascii=False, indent=2))
    else:
        print("Usage: python ocr_module.py <chemin_image>")