【OCR炼丹】解析HIT-OR3C数据集online部分Python版完整代码

2023-10-28 03:59

本文主要是介绍【OCR炼丹】解析HIT-OR3C数据集online部分Python版完整代码,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

最近开始炼手写体汉字识别方面的丹,网上找了下数据集,主要有:

  1. 中科院自动化研究所开源的CASIA数据集(下载链接地址)
  2. 哈工大开源的HIT-OR3C数据集(下载链接地址)

这俩数据集的存储形式与之前接触过的一些共有数据集的保存形式有很大的区别,对于C、C++不是很熟用Python较多的我来说踩了不少的坑(还都是CSDN、知乎、Google都搜不到的巨坑),造福下后来人吧。

首先,明确一点,由于博主此次研究的主要以联机手写体识别为主,所以主要重点关注的是CASIA数据集的OLHWDB数据以及HIT-OR3C的Online Characters


第一坑:数据存储形式不了解

CASIA数据集其offline部分的字符集(.gnt格式数据)解析网上有相关python解析代码,但是online部分的字符集(.pot格式数据集)没找到有大神开源的解析代码。发邮件询问了数据集的作者,了解到了.pot格式的数据集要按照一定的规则依次读取相应的字节来解析(规则详见官网),并且作者还慷慨地提供了官方可视化工具的C++源码(让我对照着用Python去解析,奈何C++水平不够卡在最后一步,如果后续解析成功了会开源解析代码)

由于HIT-OR3C数据集的online部分字符集的存储形式与CASIA的OLHWDB存储格式类似,并且提供了File Format Specification以及C++,JAVA,Matlab三种语言的解析代码(奈何还是没有Python...还好博主本科Matlab用的多看得懂,才得以最终用Python解析成功)Source Code for using the dataset (C++, Java, MatLab)。

联机与脱机数据的存储格式一个最大的区别在于,由于联机数据是由专门的书写工具采集得到的,所以并不是直接和脱机数据一样直接存储整张图片,而是记录书写的每一笔画中的采样点来表示该字符

第二坑:解析label时官方给了个烟雾弹

HIT-OR3C数据集官方的File Format Specification文档中关于解析Label部分有以下描述:

然后再来看看从官网下载下来的online characters文件中有:labels和labels.txt两个文件

想当然的认为应该读取labels文件,然后按照上述字节存储规则去读取。然鹅读取后的结果却包含一堆看不懂的火星文...

实践表明labels.txt才是对应vectors文件所要用到的,解析代码如下:

root = '写上你自己的文件存放路径'
label_path = osp.join(root, 'labels.txt')
char_dict = {}
# 此处一定要加上encoding='gbk',否则默认utf-8解析会出错
with open(label_path, 'r', encoding='gbk') as f:label_str = f.read()for i in range(len(label_str)):char_dict[i] = label_str[i]
# 可以看到一共有labels有6825个字符,与解析vectors文件得到的字符数是相同的
print("number of char: ", len(char_dict))
with open('char_dict_HIT-OR3C', 'wb') as f:pickle.dump(char_dict, f)

第三坑:File Format Specification文档与source code不一致

这个坑是在我按照File Format Specification文档写完代码激动不已地开始批量运行时发现的(讲真,看到报错时心凉了半截...)

可以看到File Format Specification文档在介绍vectors文件时用的是清一色的signed(博主虽然C、C++用的不多,但还是知道这个词代表的是"有符号"),所以刚开始很乖的用"int8,int16"去解析。

然鹅!报错了...debug后发现其中有个vectors文件在解析时,解析到某个字符某一笔画的采样点个数时,出现了-128...(实际为128,但由于用有符号的int8解析,所以为-128)

博主回过头去看官方提供的Matlab解析源码,才发现File Format Specification文档写错了,应该用无符号

所以完整的解析代码如下:

import glob
import os.path as osp
import pickle
import cv2
from tqdm import tqdm
import numpy as np
from PIL import Imageroot = '你自己的路径'
dataset = glob.glob(osp.join(root, '*_vectors'))save_dir = '你自己的保存路径'def drawStroke(img, pts):length = len(pts)for i in range(1, length):# color和thickness可以根据需要自己更改cv2.line(img, (pts[i-1][0], pts[i-1][1]), (pts[i][0], pts[i][1]), color=(0, 0, 0), thickness=3)return imgfor file_id in tqdm(range(len(dataset))):path = dataset[file_id]with open(path, 'rb') as f:# 读取vectors文件包含的字符个数,该值占4个字节,按照uint32读取# 此处可知vectors文件读取的字符个数为6825与label的个数相对应sample_num = np.fromfile(f, dtype='uint32', count=1)[0]# 接下来是读取描述每个字符所需要的字节数,该值占2个字节,按照uint16读取samples_byte = []for sample_id in range(sample_num):sample_byte = np.fromfile(f, dtype='uint16', count=1)[0]samples_byte.append(sample_byte)# 接下来从每个字符的描述中重构出该字符for sample_id in range(sample_num):# init image canvaimg = np.ones((128, 128), dtype=np.uint8) * 255counter = 0# 读取该字符的笔画数,该值占1个字节,按照uint8读取stroke_num = np.fromfile(f, dtype='uint8', count=1)[0]counter += 1# 按顺序读取每笔的采样点个数,该值占1个字节,按照uint8读取# 就是这里不能按照File Format Specification文件里说明的signed char格式即int8形式读取# 否则存在有些笔画采样了128个点,若按照int8读取,会得到-128的结果,造成后续解析出错。strokes_points_num = []for stroke_id in range(stroke_num):stroke_points_num = np.fromfile(f, dtype='uint8', count=1)[0]strokes_points_num.append(stroke_points_num)counter += 1# 接下来是按照顺序读取每笔的采样点,一对坐标(x,y)占2个字节,按照uint8读取for num in strokes_points_num:points = np.fromfile(f, dtype='uint8', count=num*2).reshape((-1, 2))counter += num*2# 由于记录的是采样点,所以需要连接相邻点把这一笔画出来img = drawStroke(img, points)# 最后判断下描述该字符所用的字节数是否和最开始解析得到的值相同,也算是验证下解析过程是否正确assert counter == samples_byte[sample_id], "Error! counter: {}, sample byte: {}".format(counter, samples_byte[sample_id])# 最后将重构的字符保存下来,以label命名label = char_dict[sample_id]save_name = label + '_' + str(file_id) + '.jpg'image = Image.fromarray(img)image.save(osp.join(save_dir, save_name))

 

这篇关于【OCR炼丹】解析HIT-OR3C数据集online部分Python版完整代码的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/290550

相关文章

SpringBoot实现MD5加盐算法的示例代码

《SpringBoot实现MD5加盐算法的示例代码》加盐算法是一种用于增强密码安全性的技术,本文主要介绍了SpringBoot实现MD5加盐算法的示例代码,文中通过示例代码介绍的非常详细,对大家的学习... 目录一、什么是加盐算法二、如何实现加盐算法2.1 加盐算法代码实现2.2 注册页面中进行密码加盐2.

MySQL大表数据的分区与分库分表的实现

《MySQL大表数据的分区与分库分表的实现》数据库的分区和分库分表是两种常用的技术方案,本文主要介绍了MySQL大表数据的分区与分库分表的实现,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有... 目录1. mysql大表数据的分区1.1 什么是分区?1.2 分区的类型1.3 分区的优点1.4 分

Mysql删除几亿条数据表中的部分数据的方法实现

《Mysql删除几亿条数据表中的部分数据的方法实现》在MySQL中删除一个大表中的数据时,需要特别注意操作的性能和对系统的影响,本文主要介绍了Mysql删除几亿条数据表中的部分数据的方法实现,具有一定... 目录1、需求2、方案1. 使用 DELETE 语句分批删除2. 使用 INPLACE ALTER T

python+opencv处理颜色之将目标颜色转换实例代码

《python+opencv处理颜色之将目标颜色转换实例代码》OpenCV是一个的跨平台计算机视觉库,可以运行在Linux、Windows和MacOS操作系统上,:本文主要介绍python+ope... 目录下面是代码+ 效果 + 解释转HSV: 关于颜色总是要转HSV的掩膜再标注总结 目标:将红色的部分滤

Python 中的异步与同步深度解析(实践记录)

《Python中的异步与同步深度解析(实践记录)》在Python编程世界里,异步和同步的概念是理解程序执行流程和性能优化的关键,这篇文章将带你深入了解它们的差异,以及阻塞和非阻塞的特性,同时通过实际... 目录python中的异步与同步:深度解析与实践异步与同步的定义异步同步阻塞与非阻塞的概念阻塞非阻塞同步

Python Dash框架在数据可视化仪表板中的应用与实践记录

《PythonDash框架在数据可视化仪表板中的应用与实践记录》Python的PlotlyDash库提供了一种简便且强大的方式来构建和展示互动式数据仪表板,本篇文章将深入探讨如何使用Dash设计一... 目录python Dash框架在数据可视化仪表板中的应用与实践1. 什么是Plotly Dash?1.1

在C#中调用Python代码的两种实现方式

《在C#中调用Python代码的两种实现方式》:本文主要介绍在C#中调用Python代码的两种实现方式,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录C#调用python代码的方式1. 使用 Python.NET2. 使用外部进程调用 Python 脚本总结C#调

Python下载Pandas包的步骤

《Python下载Pandas包的步骤》:本文主要介绍Python下载Pandas包的步骤,在python中安装pandas库,我采取的方法是用PIP的方法在Python目标位置进行安装,本文给大... 目录安装步骤1、首先找到我们安装python的目录2、使用命令行到Python安装目录下3、我们回到Py

Python GUI框架中的PyQt详解

《PythonGUI框架中的PyQt详解》PyQt是Python语言中最强大且广泛应用的GUI框架之一,基于Qt库的Python绑定实现,本文将深入解析PyQt的核心模块,并通过代码示例展示其应用场... 目录一、PyQt核心模块概览二、核心模块详解与示例1. QtCore - 核心基础模块2. QtWid

Python实现自动化接收与处理手机验证码

《Python实现自动化接收与处理手机验证码》在移动互联网时代,短信验证码已成为身份验证、账号注册等环节的重要安全手段,本文将介绍如何利用Python实现验证码的自动接收,识别与转发,需要的可以参考下... 目录引言一、准备工作1.1 硬件与软件需求1.2 环境配置二、核心功能实现2.1 短信监听与获取2.