python生成字符图形_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 defpasteWord(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 importImage3 importos4

5 defyStart(grey):6 m,n =grey.size7 for j inxrange(n):8 for i inxrange(m):9 if grey.getpixel((i,j)) ==0:10 returnj11 defyEnd(grey):12 m,n =grey.size13 for j in xrange(n-1,-1,-1):14 for i inxrange(m):15 if grey.getpixel((i,j)) ==0:16 returnj17

18 defxStart(grey):19 m,n =grey.size20 for i inxrange(m):21 for j inxrange(n):22 if grey.getpixel((i,j)) ==0:23 returni24 defxEnd(grey):25 m,n =grey.size26 for i in xrange(m-1,-1,-1):27 for j inxrange(n):28 if grey.getpixel((i,j)) ==0:29 returni30 defxBlank(grey):31 m,n =grey.size32 blanks =[]33 for i inxrange(m):34 for j inxrange(n):35 if grey.getpixel((i,j)) ==0:36 break

37 if j == n-1:38 blanks.append(i)39 returnblanks40

41 defyBlank(grey):42 m,n =grey.size43 blanks =[]44 for j inxrange(n):45 for i inxrange(m):46 if grey.getpixel((i,j)) ==0:47 break

48 if i == m-1:49 blanks.append(j)50 returnblanks51

52 defgetWordsList():53 f = open('3500.txt')54 line =f.read().strip()55 wordslist = line.split(' ')56 f.close()57 returnwordslist58

59 count =060 wordslist =[]61 defgetWordsByBlank(img,path):62 '''根据行列的空白取图片，效果不错'''

63 globalcount64 globalwordslist65 grey =img.split()[0]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 = [xblank[i] for i in xrange(len(xblank)) if i == 0 or i == len(xblank)-1 or not (xblank[i]==xblank[i-1]+1 and xblank[i]==xblank[i+1]-1)]70 yblank = [yblank[i] for i in xrange(len(yblank)) if i == 0 or i == len(yblank)-1 or not (yblank[i]==yblank[i-1]+1 and yblank[i]==yblank[i+1]-1)]71 for j in xrange(len(yblank)/2):72 for i in xrange(len(xblank)/2):73 area = (xblank[i*2],yblank[j*2],xblank[i*2+1]+32,yblank[j*2]+32)#这里固定字的大小是32个像素

74 #area = (xblank[i*2],yblank[j*2],xblank[i*2+1],yblank[j*2+1])

75 word =img.crop(area)76 word.save(path+wordslist[count]+'.png')77 count += 1

78 if count >=len(wordslist):79 return

80

81

82 defgetWordsFormImg(imgName,path):83 png = Image.open(imgName,'r')84 img = png.convert('1')85 grey =img.split()[0]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 defgetWrods():92 globalwordslist93 wordslist =getWordsList()94 imgs = ["l1.png","l2.png","l3.png"]95 for img inimgs: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！