中文文本识别 FSNS格式tfrecord生成

       最近，想使用谷歌的Attention OCR做中文文本识别，项目 github地址：https://github.com/A-bone1/Attention-ocr-Chinese-Version，中文介绍可参考 CSDN博客：https://blog.csdn.net/qq_40003316/article/details/80062023。

        研究后发现该模型的训练数据需要提供FSNS格式的训练数据，而官方也没有给出相关的文档，只给了一个stackoverflow的链接 https://stackoverflow.com/a/44461910/743658，可是说的也不清楚。所以自己参考网上的一些办法，写了一个生成FSNS格式tfrecord的小代码。 github地址为：https://github.com/A-bone1/FSNS-tfrecord-generate。

      FSNS的具体格式在这篇论文有说： https://arxiv.org/pdf/1702.03970.pdf

      但是，我们只需关心表四即可：

image/format表示图片的格式，是‘png’ ，如果你生的tfrecord是使用jpg格式，可改成‘raw’
image/encoded 表示图片的具体内容，占用一个string,以‘png’的格式编码
iamge/class表示图片真实的类别id,是37个int64数据，每一个int64对应一个字符编码，具体的映射方式在charset_size=134.txt文件中，要生成自己的数据需要自己创建类似的字典,如我自己创建的包含5400个中文的 dic.txt。
image/unpadded_class 表示图片在没有被填充之前真实的id。
image/width:表示图片的像素的宽度
image/orig_width:表示图片在没有填充之前像素的宽度
image/height:表示图片的像素的高度，在tensorflow代码中，这一部分并没有写入代码，因为图片高度固定为150
image/test:占用一个string,是使用UTF-8编码的真实的字符形式的标记

 

        下面直接上代码：（上传的代码是将jpg图片直接存储为tfrecord，速度较快，如果读者想生成png编码的tfrecord，可以参考我的 github。

from random import shuffle
import numpy as np
import glob
import tensorflow as tf
import cv2
import sys
import os
import PIL.Image as Image


def encode_utf8_string(text, length, dic, null_char_id=5462):
    char_ids_padded = [null_char_id]*length
    char_ids_unpadded = [null_char_id]*len(text)
    for i in range(len(text)):
        hash_id = dic[text[i]]
        char_ids_padded[i] = hash_id
        char_ids_unpadded[i] = hash_id
    return char_ids_padded, char_ids_unpadded

def _bytes_feature(value):
    return tf.train.Feature(bytes_list=tf.train.BytesList(value=[value]))

def _int64_feature(value):
    return tf.train.Feature(int64_list=tf.train.Int64List(value=value))

dict={}
with open('dic.txt', encoding="utf") as dict_file:
    for line in dict_file:
        (key, value) = line.strip().split('\t')
        dict[value] = int(key)
print((dict))

image_path = 'data/*/*.jpg'
addrs_image = glob.glob(image_path)

label_path = 'data/*/*.txt'
addrs_label = glob.glob(label_path)

print(len(addrs_image))
print(len(addrs_label))

tfrecord_writer  = tf.python_io.TFRecordWriter("tfexample_train") 
for j in range(0,int(len(addrs_image))):
    

            # 这是写入操作可视化处理
    print('Train data: {}/{}'.format(j,int(len(addrs_image))))
    sys.stdout.flush()

    img = Image.open(addrs_image[j])

    img = img.resize((600, 150), Image.ANTIALIAS)
    np_data = np.array(img)
    image_data = img.tobytes()
    for text in open(addrs_label[j], encoding="utf"):
                 char_ids_padded, char_ids_unpadded = encode_utf8_string(
                            text=text,
                            dic=dict,
                            length=37,
                            null_char_id=5462)



    example = tf.train.Example(features=tf.train.Features(
                        feature={
                            'image/encoded': _bytes_feature(image_data),
                            'image/format': _bytes_feature(b"raw"),
                            'image/width': _int64_feature([np_data.shape[1]]),
                            'image/orig_width': _int64_feature([np_data.shape[1]]),
                            'image/class': _int64_feature(char_ids_padded),
                            'image/unpadded_class': _int64_feature(char_ids_unpadded),
                            'image/text': _bytes_feature(bytes(text, 'utf-8')),
                            # 'height': _int64_feature([crop_data.shape[0]]),
                        }
                    ))
    tfrecord_writer.write(example.SerializeToString())
tfrecord_writer.close()

sys.stdout.flush()