CV学习笔记（十九）：数据集拼接生成

上一次使用了text_renderer尝试生成类似于银行卡的数据，但是实际下来效果并不好，我分析了一下原因：

①：text_renderer输出的背景和真实银行卡图片有很大的差异

②：大多数银行卡采用的是突出的字体，text_renderer很难去模拟

分析出以上的问题后，现在的重点开始转换成如何去近似的模拟银行卡数据集，最好的方法就是使用真实的银行卡卡号片段来拼接成数据。

一边说代码，一边捋顺思路：

一：准备数据

首先准备了大概50张的银行卡卡号片段的真实图片，尽量保证每张图片的长度为3-4位，为什么分为3-4位？分析了大多数的银行卡后，发现一个规律:

信用卡卡号：0000 0000 0000 0000

储蓄卡卡号：0000 0000 0000 0000 000

我们用CTPN检测的时候，往往会一段一段的检测，然后拼接起来，这种效果理论上会更好准备的数据如下：

图片的分辨率180*46

现在分析代码：

第一步：选择生成数量，读取图片

这部分注释很清楚，不再赘述

二：裁剪图片，拼接图片

这部分是整个程序之中的关键，我绘制了一个图，结合图来说一下

因为准备的数据集是3-4个字符一张图，DenseNet的输入长度为10时比较合适(具体为什么还没搞清楚)，因此拼接的图片字符长度也是10个字符：读取图片

这里用到cut_image函数对image3进行裁剪：

裁剪前后对比：

对图片进行拼接：

拼接后效果：

三：数据增强

因为DenseNet的输入为280*32的图像，并且为减少计算，需要将图像转换为灰度图像

转换为灰度图像后，这里需要使用ImageDataGenerator类，简单的说ImageDataGenerator是keras.processing.image模块里的图片生成器，每次喂进去一个batch_size的数据，然后对这个批次的数据进行样本增强，用来扩充样本数据集的大小，增强模型的泛化能力，更模拟真实情况，比如旋转，缩放，对比度转换等等。

四：划分训练集和测试集

我们将训练集和测试集按照8:2的比例进行划分

运行，数据生成完毕