汉字手写识别
- 识别手写汉字要把识别手写洋文难上很多。首先，英文字符的分类少，总共10+26*2；而中文总共50,000多汉字，常用的就有3000多。其次，汉字有书法，每个人书写风格多样。
- 手写汉字数据集: CASIA-HWDB
- 下载HWDB1.1数据集：
wget http://www.nlpr.ia.ac.cn/databases/download/feature_data/HWDB1.1trn_gnt.zip wget http://www.nlpr.ia.ac.cn/databases/download/feature_data/HWDB1.1tst_gnt.zip
- 这个数据集由模式识别国家重点实验室共享，它还共享了其它几个数据库
- 行为分析数据库
- 三维人脸数据库
- 中文语言资源库
- 步态数据库
- 掌纹数据库
- 虹膜库数据
- 手写汉字的样子：
由下面代码实现
import os import numpy as np import struct import PIL.Image train_data_dir = "HWDB1.1trn_gnt" test_data_dir = "HWDB1.1tst_gnt" # 读取图像和对应的汉字 def read_from_gnt_dir(gnt_dir=train_data_dir): def one_file(f): header_size = 10 while True: header = np.fromfile(f, dtype='uint8', count=header_size) if not header.size: break sample_size = header[0] + (header[1]<<8) + (header[2]<<16) + (header[3]<<24) tagcode = header[5] + (header[4]<<8) width = header[6] + (header[7]<<8) height = header[8] + (header[9]<<8) if header_size + width*height != sample_size: break image = np.fromfile(f, dtype='uint8', count=width*height).reshape((height, width)) yield image, tagcode for file_name in os.listdir(gnt_dir): if file_name.endswith('.gnt'): file_path = os.path.join(gnt_dir, file_name) with open(file_path, 'rb') as f: for image, tagcode in one_file(f): yield image, tagcode # 统计样本数 train_counter = 0 test_counter = 0 for image, tagcode in read_from_gnt_dir(gnt_dir=train_data_dir): tagcode_unicode = struct.pack('>H', tagcode).decode('gb2312') """ # 提取点图像, 看看什么样 if train_counter < 1000: im = PIL.Image.fromarray(image) im.convert('RGB').save('png/' + tagcode_unicode + str(train_counter) + '.png') """ train_counter += 1 for image, tagcode in read_from_gnt_dir(gnt_dir=test_data_dir): tagcode_unicode = struct.pack('>H', tagcode).decode('gb2312') test_counter += 1 # 样本数 print(train_counter, test_counter)