python生成汉字图片字库
最近做文档识别方面的项目，做汉字识别需要建立字库，在网上找了各种OCR，感觉都不好，这方面的技术应该比较成熟了，OCR的软件很多，但没有找到几篇有含金量量的论文，也没有看到哪位大牛公开字库，我用pygame渲染字体来生成字库，也用PIL对整齐的图片进行切割得到字库。pygame渲染字体来生成字库
用pygame渲染字体我参考的这篇文章，根据GB2323-8标准，汉语中常用字3500个，覆盖了99.7%的使用率，加上次常用共6763个，覆盖99.99%的使用率。先生成一个字体图片，从网上找来3500个常用汉字，对每一个子按字体进行渲染：
1 def pasteWord(word):
2 '''输入一个文字，输出一张包含该文字的图片'''
3 pygame.init()
4 font = pygame.font.Font(os.path.join("./fonts", "a.ttf"), 22)
5 text = word.decode('utf-8')
6 imgName = "E:/dataset/chinesedb/chinese/"+text+".png"
7 paste(text,font,imgName)
8
9 def paste(text,font,imgName,area = (0, -9)):
10 '''根据字体，将一个文字黏贴到图片上，并保存'''
11 im = Image.new("RGB", (32, 32), (255, 255, 255))
12 rtext = font.render(text, True, (0, 0, 0), (255, 255, 255))
13 sio = StringIO.StringIO()
14 pygame.image.save(rtext, sio)
15 sio.seek(0)
16 line = Image.open(sio)
17 im.paste(line, area)
18 #im.show()
19 im.save(imgName)
渲染图片次数多总是报错，对于渲染失败的文字我又重试，最终得到了一个包含3510字（加上10个数字）的字库:
字符分割生成字库
另外一种办法就是把3500个字放在word排好，然后转PDF保存成图片，像下面这样：
密密麻麻的字，但非常整齐，不需要什么图片处理算法，只要找到空白的行和列，按行和列就可以进行切割，切割出来也好，只要保存有序切割，切出来的图片依然可以与字对应，下面是切割的代码：
1 #!encoding=utf-8
2 import Image
3 import os
4
5 def yStart(grey):
6 m,n = grey.size
7 for j in xrange(n):
8 for i in xrange(m):
9 if grey.getpixel((i,j)) == 0:
10 return j
11 def yEnd(grey):
12 m,n = grey.size
13 for j in xrange(n-1,-1,-1):
14 for i in xrange(m):
15 if grey.getpixel((i,j)) == 0:
16 return j
17
18 def xStart(grey):
19 m,n = grey.size
20 for i in xrange(m):
21 for j in xrange(n):
22 if grey.getpixel((i,j)) == 0:
23 return i
24 def xEnd(grey):
25 m,n = grey.size
26 for i in xrange(m-1,-1,-1):
27 for j in xrange(n):
28 if grey.getpixel((i,j)) == 0:
29 return i
30 def xBlank(grey):
31 m,n = grey.size
32 blanks = []
33 for i in xrange(m):
34 for j in xrange(n):
35 if grey.getpixel((i,j)) == 0:
36 break
37 if j == n-1:
38 blanks.append(i)
39 return blanks
40
41 def yBlank(grey):
42 m,n = grey.size
43 blanks = []
44 for j in xrange(n):
45 for i in xrange(m):
46 if grey.getpixel((i,j)) == 0:
47 break
48 if i == m-1:
49 blanks.append(j)
50 return blanks
51
52 def getWordsList():
53 f = open('3500.txt')
54 line = f.read().strip()
55 wordslist = line.split(' ')
56 f.close()
57 return wordslist
58
59 count = 0
60 wordslist = []
61 def getWordsByBlank(img,path):
62 '''根据行列的空白取图片，效果不错'''
63 global count
64 global wordslist
65 grey = img.split()
66 xblank = xBlank(grey)
67 yblank = yBlank(grey)
68 #连续的空白像素可能不止一个，但我们只保留连续区域的第一个空白像素和最后一个空白像素，作为文字的起点和终点
69 xblank = for i in xrange(len(xblank)) if i == 0 or i == len(xblank)-1 or not (xblank==xblank+1 and xblank==xblank-1)]
70 yblank = for i in xrange(len(yblank)) if i == 0 or i == len(yblank)-1 or not (yblank==yblank+1 and yblank==yblank-1)]
71 for j in xrange(len(yblank)/2):
72 for i in xrange(len(xblank)/2):
73 area = (xblank,yblank,xblank+32,yblank+32)#这里固定字的大小是32个像素
74 #area = (xblank,yblank,xblank,yblank)
75 word = img.crop(area)
76 word.save(path+wordslist+'.png')
77 count += 1
78 if count >= len(wordslist):
79 return
80
81
82 def getWordsFormImg(imgName,path):
83 png = Image.open(imgName,'r')
84 img = png.convert('1')
85 grey = img.split()
86 #先剪出文字区域
87 area = (xStart(grey)-1,yStart(grey)-1,xEnd(grey)+2,yEnd(grey)+2)
88 img = img.crop(area)
89 getWordsByBlank(img,path)
90
91 def getWrods():
92 global wordslist
93 wordslist = getWordsList()
94 imgs = ["l1.png","l2.png","l3.png"]
95 for img in imgs:
96 getWordsFormImg(img,'words/')
97
98 if __name__ == "__main__":
99 getWrods()
切出来的字的效果也很好的：
自己对这图像处理本来就不熟悉，用的都是土包子的方法。汉字的识别难度是比较大的，对应整齐的图片，采样DTW对字库求相似项，效果还不错，但用扫描仪、相机拍下来的文章切割处理后，效果很差。我用了BP神经网络，但3500个汉字相当于3500个类，这个超多类别的分类问题，BP也很难应付，主要是训练数据太少，手里只有一份字库。
如果您有什么好的方法识别图片汉字的方法，希望给与我分享，谢谢！
页:
[1]