python文字识别算法_Python 实现字符识别—Part5

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