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

<br />

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

代码和训练集在我的git 上面：
https://github.com/zhaozhengcoder/Machine-Learning

Python 实现字符识别—Part1
http://www.jianshu.com/p/0a94d8ea2bf3
Python 实现字符识别—Part2
http://www.jianshu.com/p/252ff113d1d0
Python 实现字符识别—Part3
http://www.jianshu.com/p/4ff1559c1cf6
Python 实现字符识别—Part4
http://www.jianshu.com/p/b13b3905cc7d
Python 实现字符识别—Part5
http://www.jianshu.com/p/1905bf78f0bd