利用CRNN来识别图片中的文字（一）数据预处理

数据集中含有10072个图片文件和10072个图片所对应的包含图片中中文字内容的文本文。

训练样本

task:

1.得到图片数据集中所有的中文字符，构成字符字典，字典大小为所包含不同中文字符的类别数；（dict_size=992，加上一个“空白”，在CTC中一共含有992+1=993个类别）

2.构建训练数据 train_x,train_y; train_x中每一个元素为一张图片（cv2.imread()读取的灰度图），train_y 中每一个元素为图片对应的文字在字符字典中的序号；

print("train_size:{}".format(len(train_x)))//输出训练集大小

code：

def get_char_dict(path):
char_dict = []
txt_files = glob.glob(path + '*.txt')
# print(len(txt_files))
for file in txt_files:
    with open(file, 'r') as f:
        text = f.readline()
    char_dict += text
char_dict = set(char_dict)
char_dict = list(char_dict)
dict_size = len(char_dict)
print("dict_size:{}".format(dict_size))
return char_dict


def get_data(path, char_dict):
  train_x = []
  train_y = []
  txt_files = glob.glob(path + '*.txt')
  # random.shuffle(txt_files)
  for file in txt_files:
      base_name = os.path.basename(file)
      file_name, _ = os.path.splitext(base_name)
      image = cv2.imread(path + file_name + '.jpg', cv2.IMREAD_GRAYSCALE)
      train_x.append(image)
      with open(file, 'r') as f:
        label = []
        text = f.readline()
        for c in text:
            index = char_dict.index(c)
            label.append(index)
    train_y.append(label)
# # 若图片路径中含中文字符时，
# # cv2.imread()读取图像失败返回None,
# # 删除为None的数据
# for i, img in enumerate(train_x):
#    if train_x[i] is None:
#        del train_x[i]
#        del train_y[i]
print("train_size:{}".format(len(train_x)))
return train_x, train_y

reference：

glob.glob()

返回path路径下的符合条件的所有文件，然后用for循环对每一个文件进行操作。

import glob
txt_files = glob.glob(path + '*.txt')
for file in txt_files:
      ***

返回path路径下的符合条件的所有文件

python open()

用于打开一个文件。创建一个 file 对象，相关的方法才可以调用它进行读写。

 with open(file, 'r') as f:
    text = f.readline()

readline()函数读取整行，包括 "\n" 字符。

创建一个 file 对象，用readline()方法读取.txt文件中的文字

python set()

返回一个无序不重复元素集(这里用于删除重复的中文字符)。

python list()

用于将元组转换为列表。