图片字母，数字识别技术

来源：未知　时间：2018-31-24　浏览次数：217次

• python3.5

  python SDK版本

• PIL

  图片处理库

• libsvm

  开源的svm机器学习库
  三、基本流程

  1. 准备原始图片素材
  2. 图片预处理
  3. 图片字符切割
  4. 图片尺寸归一化
  5. 图片字符标记
  6. 字符图片特征提取
  7. 生成特征和标记对应的训练数据集
  8. 训练特征标记数据生成识别模型
  9. 使用识别模型预测新的未知图片集
  10. 达到根据“图片”就能返回识别正确的字符集的目标

  四、图片字母，数字识别的实现
     图片预处理
  

  虽然目前的机器学习算法已经相当先进了，但是为了减少后面训练时的复杂度，同时增加识别率，很有必要对图片进行预处理，使其对机器识别更友好。

  针对以上原始素材的处理步骤如下：

  1. 读取原始图片素材
  2. 将彩色图片二值化为黑白图片
  3. 去除背景噪点

    二值化图片
  

  主要步骤如下：

  1. 将RGB彩图转为灰度图
  2. 将灰度图按照设定阈值转化为二值图

  image = Image.open(img_path)
  imgry = image.convert('L')  # 转化为灰度图
  
  table = get_bin_table()
  out = imgry.point(table, '1')

  上面引用到的二值函数的定义如下：

  1 2 3 4 5 6 7 8 9 10 11 12 13 14

  def get_bin_table(threshold=140):     """     获取灰度转二值的映射table     :param threshold:     :return:     """     table = []     for i in range(256):         if i < threshold:             table.append(0)         else:             table.append(1)       return table

• 1对某个 黑点 周边的九宫格里面的黑色点计数
• 2如果黑色点少于2个则证明此点为孤立点，然后得到所有的孤立点
• 3对所有孤立点一次批量移除。

      模型训练

到这个阶段后，由于本文直接使用的是开源的 libSVM 方案，属于应用了，所以此处内容就比较简单的。只需要输入特征文件，然后输出模型文件即可。

可以搜索到很多相关中文资料

主要代码如下：

def train_svm_model():
    """
    训练并生成model文件
    :return:
    """
    y, x = svm_read_problem(svm_root + '/train_pix_feature_xy.txt')
    model = svm_train(y, x)
    svm_save_model(model_path, model)