画像内の任意のテキストをocrを利用して削除する

Question

画像内にある（広島県）、（東京都）等をカッコも含めて画像から消去したいです。
カッコで括られた都道府県名をカッコも含めて消去したいです。

ocr処理をして文字とその座標をリストで取得できましたが、文が文字のレベルにまで分割されているので上手く扱えません。
ocr後のテキストから正規表現で削除対象を取ることはできますが、座標の情報が結びついていないので無理でした。
・削除したあとの空白部分を詰める必要はありません。

windows7
python3

from PIL import Image
import pyocr
import cv2
import pyocr.builders
import re
import pytesseract

pyocr.tesseract.TESSERACT_CMD = r'C:\Program Files\Tesseract-OCR\tesseract.exe'
img = Image.open('img.png')
tool = pyocr.get_available_tools()
tool = tool[0] 
tool.get_name()
results = tool.image_to_string(
     img,
     lang='jpn',
     #builder=pyocr.builders.WordBoxBuilder(tesseract_layout=6)
     builder=pyocr.builders.TextBuilder(tesseract_layout=3)
)

results = results.replace('"', '\"')
a = "(.+?県.*)"
b = re.findall(a, results)
 #この部分はテキストから正規表現を用いて対象を抽出しています。

Comments

[退会済みユーザー]

> ocr処理をして文字とその座標をリストで取得できましたが、文が語のレベルにまで分割されているので上手く扱えません。
文字のリストと座標のリスト、インデックスが対応するようなリストに分けて、
for i in range(文字のリスト):
if (文字のリスト[i] == "(") and (文字のリスト[i+1] == "広") and ...:
...座標のリストを丸ごと消す処理

というような感じでいけませんか？

[k6y]

もう少し具体的なコードの内容はどのような感じになりますでしょうか。
”インデックスが対応するようなリスト”の部分がよく分かりません。

[退会済みユーザー]

文字のリスト: OCRで読み取った文字列そのものを一文字単位でリストに入れたもの
座標のリスト: OCRで読み取った文字列の、文字ごとの座標リスト
インデックスが対応するようなリスト
-->文字のリストと座標のリストとがインデックス"i"によって紐づけられて連結している状態

を指した言葉でした。ですので「これらのリストがインデックスiで紐づけられるようにリストを生成して」として理解してください。元の日本語が間違っていますね、変な書き方をしてごめんなさい。

Answer 1

for in
を使うことにより、なんとか解決しました。