【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

揭秘Python Socket网络编程的7种硬核用法

《揭秘PythonSocket网络编程的7种硬核用法》Socket不仅能做聊天室,还能干一大堆硬核操作,这篇文章就带大家看看Python网络编程的7种超实用玩法,感兴趣的小伙伴可以跟随小编一起... 目录1.端口扫描器:探测开放端口2.简易 HTTP 服务器:10 秒搭个网页3.局域网游戏:多人联机对战4.

Springboot @Autowired和@Resource的区别解析

《Springboot@Autowired和@Resource的区别解析》@Resource是JDK提供的注解,只是Spring在实现上提供了这个注解的功能支持,本文给大家介绍Springboot@... 目录【一】定义【1】@Autowired【2】@Resource【二】区别【1】包含的属性不同【2】@

springboot循环依赖问题案例代码及解决办法

《springboot循环依赖问题案例代码及解决办法》在SpringBoot中,如果两个或多个Bean之间存在循环依赖(即BeanA依赖BeanB,而BeanB又依赖BeanA),会导致Spring的... 目录1. 什么是循环依赖?2. 循环依赖的场景案例3. 解决循环依赖的常见方法方法 1:使用 @La

使用Python实现快速搭建本地HTTP服务器

《使用Python实现快速搭建本地HTTP服务器》:本文主要介绍如何使用Python快速搭建本地HTTP服务器,轻松实现一键HTTP文件共享,同时结合二维码技术,让访问更简单,感兴趣的小伙伴可以了... 目录1. 概述2. 快速搭建 HTTP 文件共享服务2.1 核心思路2.2 代码实现2.3 代码解读3.

使用C#代码在PDF文档中添加、删除和替换图片

《使用C#代码在PDF文档中添加、删除和替换图片》在当今数字化文档处理场景中,动态操作PDF文档中的图像已成为企业级应用开发的核心需求之一,本文将介绍如何在.NET平台使用C#代码在PDF文档中添加、... 目录引言用C#添加图片到PDF文档用C#删除PDF文档中的图片用C#替换PDF文档中的图片引言在当

C#使用SQLite进行大数据量高效处理的代码示例

《C#使用SQLite进行大数据量高效处理的代码示例》在软件开发中,高效处理大数据量是一个常见且具有挑战性的任务,SQLite因其零配置、嵌入式、跨平台的特性,成为许多开发者的首选数据库,本文将深入探... 目录前言准备工作数据实体核心技术批量插入:从乌龟到猎豹的蜕变分页查询:加载百万数据异步处理:拒绝界面

Python使用自带的base64库进行base64编码和解码

《Python使用自带的base64库进行base64编码和解码》在Python中,处理数据的编码和解码是数据传输和存储中非常普遍的需求,其中,Base64是一种常用的编码方案,本文我将详细介绍如何使... 目录引言使用python的base64库进行编码和解码编码函数解码函数Base64编码的应用场景注意

用js控制视频播放进度基本示例代码

《用js控制视频播放进度基本示例代码》写前端的时候,很多的时候是需要支持要网页视频播放的功能,下面这篇文章主要给大家介绍了关于用js控制视频播放进度的相关资料,文中通过代码介绍的非常详细,需要的朋友可... 目录前言html部分:JavaScript部分:注意:总结前言在javascript中控制视频播放

SpringCloud动态配置注解@RefreshScope与@Component的深度解析

《SpringCloud动态配置注解@RefreshScope与@Component的深度解析》在现代微服务架构中,动态配置管理是一个关键需求,本文将为大家介绍SpringCloud中相关的注解@Re... 目录引言1. @RefreshScope 的作用与原理1.1 什么是 @RefreshScope1.

Java并发编程必备之Synchronized关键字深入解析

《Java并发编程必备之Synchronized关键字深入解析》本文我们深入探索了Java中的Synchronized关键字,包括其互斥性和可重入性的特性,文章详细介绍了Synchronized的三种... 目录一、前言二、Synchronized关键字2.1 Synchronized的特性1. 互斥2.