STABLE: Final schema sync, optimized gitignore

backend/app/services/image_processor.py

@@ -1,62 +1,38 @@
+# /opt/docker/dev/service_finder/backend/app/services/image_processor.py
 import cv2
 import numpy as np
 from typing import Optional
 
 class DocumentImageProcessor:
-    """
-    Saját fejlesztésű képtisztító pipeline OCR-hez.
-    A nyers (mobillal fotózott) képekből kontrasztos, fekete-fehér, zajmentes változatot készít,
-    amelyet az AI már közel 100%-os pontossággal tud olvasni.
-    """
+    """ Saját képtisztító pipeline Robot 3 OCR számára. """
 
     @staticmethod
     def process_for_ocr(image_bytes: bytes) -> Optional[bytes]:
+        if not image_bytes: return None
         try:
-            # 1. Kép betöltése a memóriából (FastAPI UploadFile bytes-ból)
-            # A képet nem mentjük a lemezre, villámgyorsan a RAM-ban dolgozzuk fel.
             nparr = np.frombuffer(image_bytes, np.uint8)
             img = cv2.imdecode(nparr, cv2.IMREAD_COLOR)
+            if img is None: return None
 
-            if img is None:
-                raise ValueError("A képet nem sikerült dekódolni.")
-
-            # 2. Szürkeárnyalatossá alakítás (A színek csak zavarják a szövegfelismerést)
+            # 1. Előkészítés (Szürkeárnyalat + Felskálázás)
             gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
-
-            # 3. Kép átméretezése (Felskálázás)
-            # Az AI és az OCR motorok a minimum 300 DPI körüli képeket szeretik.
-            height, width = gray.shape
-            if width < 1000 or height < 1000:
+            if gray.shape[1] < 1200:
                 gray = cv2.resize(gray, None, fx=2.0, fy=2.0, interpolation=cv2.INTER_CUBIC)
 
-            # 4. Kontraszt növelése (CLAHE - Contrast Limited Adaptive Histogram Equalization)
-            # Ez eltünteti a vaku okozta becsillanásokat és kiemeli a halvány betűket.
+            # 2. Kontraszt dúsítás (CLAHE)
             clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8, 8))
             contrast = clahe.apply(gray)
 
-            # 5. Enyhe homályosítás (Denoising / Noise Reduction)
-            # Eltünteti a papír textúráját (pl. a forgalmi engedély vízjelét vagy a blokk gyűrődéseit).
-            blur = cv2.GaussianBlur(contrast, (5, 5), 0)
-
-            # 6. Adaptív Küszöbérték (Binarization)
-            # Minden pixel környezetét külön vizsgálja. Ez küszöböli ki azt, amikor a fotó egyik 
-            # sarka sötét (pl. árnyékot vet a telefon), a másik meg világos.
+            # 3. Adaptív Binarizálás (Fekete-fehér szöveg kiemelés)
+            blur = cv2.GaussianBlur(contrast, (3, 3), 0)
             thresh = cv2.adaptiveThreshold(
-                blur, 
-                255, 
-                cv2.ADAPTIVE_THRESH_GAUSSIAN_C, 
-                cv2.THRESH_BINARY, 
-                11, # Blokk méret (páratlan szám)
-                2   # Konstans levonás
+                blur, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, 
+                cv2.THRESH_BINARY, 11, 2
             )
 
-            # 7. Visszakódolás bájt formátumba (PNG), hogy átadhassuk az AI-nak
             success, encoded_image = cv2.imencode('.png', thresh)
-            if not success:
-                raise ValueError("Nem sikerült a feldolgozott képet PNG-be kódolni.")
-
-            return encoded_image.tobytes()
+            return encoded_image.tobytes() if success else None
 
         except Exception as e:
-            print(f"Hiba a képfeldolgozás során: {str(e)}")
+            print(f"OpenCV Feldolgozási hiba: {e}")
             return None