这篇文章写得是,关于向量空间搜索的算法在字符识别上面的应用。
如果你看的比较困惑的话,可以参考
Python 实现字符识别—Part1:关于PIL库的使用
http://www.jianshu.com/p/0a94d8ea2bf3
Python 实现字符识别—Part2:关于图像格式的基础知识和我的一个问题(欢迎大神来指点迷津)
http://www.jianshu.com/p/252ff113d1d0
Python 实现字符识别—Part3:关于完成验证码识别的前置操作,字符的提取和图像的分割
http://www.jianshu.com/p/4ff1559c1cf6
Python 实现字符识别—Part4 : 关于空间向量搜索算法paper的介绍
http://www.jianshu.com/p/b13b3905cc7d
Python 实现字符识别—Part5:关于使用空间向量搜索算法实现字符识别
http://www.jianshu.com/p/1905bf78f0bd
下面进入正文,为了方便理解,举一个简单的例子
如何识别是字符 j
j.gif
也就是说这张 j 的图片是我的测试集,我们训练集是
image.png
为了比较,这里也在训练集里面加入字符7
image.png
算法的第一步,构造term space
对于网页来说,构建之前想要去除多余的html标签,没有意义的单词,或者是意义相同的单词。
对于图片,需要去除噪声。这个训练集很好,白色的背景,黑色的字符,没有噪声。但是很多图片都是有噪声的,需要第一步去除噪声。
#返回的是一個字典 key是count,(count是自加的,代辦像素的個數,value 是 像素數字 圖片的8bit一個像素,正好是0-255之間的元素)
def buildvector(im):
d1={}
#>>
total=0
#>>
count=0
for i in im.getdata():
d1[count]=i
#輸出的格式 :85673 ****** (254)
print count,"******",i
count=count+1
return d1
下一步就是计算相关性,创建一个类来计算
class VectorCompare:
#計算 矢量的大小:
#
def magnitude(self,concordance):
total=0
for word,count in concordance.iteritems():
total=total+ count ** 2
return math.sqrt(total)
def relation(self,concordance1,concordance2):
relevance=0;
topvalue=0;
for word,count in concordance1.iteritems():
if concordance2.has_key(word):
topvalue=topvalue+count*concordance2[word]
return topvalue/ (self.magnitude(concordance1)*self.magnitude(concordance2))
构建训练集合
#構建一個訓練集
imageset=[]
temp_7=[]
temp_7.append( buildvector(Image.open("./iconset/7/4.gif")))
temp_7.append( buildvector(Image.open("./iconset/7/5b9e37490692eebbd4dcec3e437f3ec5.gif")))
temp_7.append( buildvector(Image.open("./iconset/7/13f34c3eac168090a288fbbb51cf8d95.gif")))
imageset.append({'7':temp_7})
temp_j=[]
temp_j.append( buildvector(Image.open("./iconset/j/8cd6e8039c58a9e5613e886ba7cdda5d.gif")))
temp_j.append( buildvector(Image.open("./iconset/j/d8150da674a65a6cfe194052a825383c.gif")))
imageset.append({'j':temp_j})
构建测试集合
im_test=Image.open("j.gif")
bv_test=buildvector(im_test)
计算测试集和训练集的相关性
guess=[]
v=VectorCompare()
for Image in imageset:
for x,y in Image.iteritems():
g=
输出结果:
guess.sort(reverse=True)
print ">>>"
print guess[0]
当然,也可以看你一下和字符7的相关性
print ">>> 其他結果:"
for f in guess:
print f
运行结果:
image.png
测试的图片和 字符 j 的训练集相关度最高,和字符 7的训练集 相关度要第一点。所以,可以认为这张图片是 字符 j 。
全部的代码:
#coding:utf-8
from PIL import Image
import os
import math
class VectorCompare:
#計算 矢量的大小:
#
def magnitude(self,concordance):
total=0
for word,count in concordance.iteritems():
total=total+ count ** 2
return math.sqrt(total)
def relation(self,concordance1,concordance2):
relevance=0;
topvalue=0;
for word,count in concordance1.iteritems():
if concordance2.has_key(word):
topvalue=topvalue+count*concordance2[word]
return topvalue/ (self.magnitude(concordance1)*self.magnitude(concordance2))
#返回的是一個字典 key是count,(count是自加的,代辦像素的個數,value 是 像素數字 圖片的8bit一個像素,正好是0-255之間的元素)
def buildvector(im):
d1={}
#>>
total=0
#>>
count=0
for i in im.getdata():
d1[count]=i
#輸出的格式 :85673 ****** (250)
print count,"******",i
count=count+1
return d1
#構建一個訓練集
imageset=[]
temp_7=[]
temp_7.append( buildvector(Image.open("./iconset/7/4.gif")))
temp_7.append( buildvector(Image.open("./iconset/7/5b9e37490692eebbd4dcec3e437f3ec5.gif")))
temp_7.append( buildvector(Image.open("./iconset/7/13f34c3eac168090a288fbbb51cf8d95.gif")))
imageset.append({'7':temp_7})
temp_j=[]
temp_j.append( buildvector(Image.open("./iconset/j/8cd6e8039c58a9e5613e886ba7cdda5d.gif")))
temp_j.append( buildvector(Image.open("./iconset/j/d8150da674a65a6cfe194052a825383c.gif")))
imageset.append({'j':temp_j})
#構建一個測試集合
im_test=Image.open("j.gif")
bv_test=buildvector(im_test)
guess=[]
v=VectorCompare()
for Image in imageset:
for x,y in Image.iteritems():
g=v.relation(y[0],bv_test)
guess.append((g,x))
guess.sort(reverse=True)
print ">>>"
print guess[0]
print ">>> 其他結果:"
for f in guess:
print f
如何你要重复实验的话,这是我的目录结构:
test5.py 是源码的文件
训练集 iconset 的目录下面,文件夹7 和文件夹 j 。
image.png