python 如何做一个识别率百分百的OCR

写在前面

当然这里说的百分百可能有点夸张，但其实想象一下，游戏里面的某个窗口的字符就是那种样子，不会变化的。而且识别的字符可能也不需要太多。中文有大几千个常用字，还有各种符号，其实都不需要。

这里针对的场景很简单，主要是有以下几点：

• 识别的字符不多：只要识别几十个常用字符即可，比如说26个字母，数字，还有一些中文。

• 背景统一，字体一致：我们不是做验证码识别，我们要识别的字符都是清晰可见的。

• 字符和背景易分割：一般来说就是对图片灰度化之后，黑底白字或者白底黑字这种。

技术栈

这里用到的主要就是python+opencv了。

• python3

• opencv-python
  

环境主要是以下的库：

pip install opencv-python
pip install imutils
pip install matplotlib

实现思路

首先看下图片的灰度图。

第一步：二值化，将灰度转换为只有黑白两种颜色。

第二步：图像膨胀，因为我们要通过找轮廓算法找到每个字符的轮廓然后分割，如果是字符还好，中文有很多左右偏旁，三点水这种无法将一个整体进行分割，这里通过膨胀将中文都黏在一起。

第三步：找轮廓。

第四步：外接矩形。我们需要的字符是一个矩形框，而不是无规则的。

第五步：过滤字符，这里比如说标点符号对我来说没用，我通过矩形框大小把它过滤掉。

第六步：字符分割，根据矩形框分割字符。

第七步：构造数据集，每一类基本上放一两张图片就可以。

第八步：向量搜索+生成结果，根据数据集的图片，进行向量搜索得到识别的标签。然后根据图片分割的位置，对识别结果进行排序。

具体实现

读取图片

首先先读取待识别的图片。

import cv2
import numpy as np
from matplotlib import pyplot as plt
from matplotlib.colors import NoNorm
import imutils
from PIL import Image
img_file = "test.png"
im = cv2.imread(img_file, 0)

使用matplotlib画图结果如下：

二值化

在进行二值化之前，首先进行灰度分析。

灰度值是在0到255之间，0代表黑色，255代表白色。可以看到这里背景色偏黑的，基本集中在灰度值30，40附近。而字符偏白，大概在180灰度这里。

这里选择100作为分割的阈值。

thresh = cv2.threshold(im, 100, 255, cv2.THRESH_BINARY)[1]

2值化后效果如下：

图像膨胀

接下来进行一个图像的纵向膨胀，选择一个膨胀的维度，这里选择的是7。

kernel = np.ones((7,1),np.uint8)
dilation = cv2.dilate(thresh, kernel, iterations=1)

找轮廓

接下来调用opencv找一下轮廓，

# 找轮廓
cnts = cv2.findContours(dilation.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
cnts = imutils.grab_contours(cnts)

接下来我们再读取一下原图，绘制轮廓看下轮廓的样子。

外接矩形

对于轮廓我们可以做外接矩形，这里可以看下外接矩形的效果。

过滤字符

这里过滤字符的原理其实就是将轮廓内的颜色填充成黑色。下面的代码是将高度小于15的轮廓填充成黑色。

for i, c in enumerate(cnts):
   x, y, w, h = cv2.boundingRect(c)
   if (h < 15):
       cv2.fillPoly(thresh, pts=[c], color=(0))

填充后可以看到标点符号就没了。

字符分割

因为图像是个矩阵，最后字符分割就是使用切片进行分割。

for c in cnts:
   x, y, w, h = cv2.boundingRect(c)
   if (h < 15):
       continue
   cropImg = thresh[y:y+h, x:x+w]
   plt.imshow(cropImg)
   plt.show()

构造数据集

最后我们创建数据集进行标注，就是把上面的都串起来，然后将分割后的图片保存到文件夹里，并且完成标注。

import cv2
import numpy as np
import imutils
from matplotlib import pyplot as plt
import uuid
def split_letters(im):
   # 2值化
   thresh = cv2.threshold(im, 100, 255, cv2.THRESH_BINARY)[1]
   # 纵向膨胀
   kernel = np.ones((7, 1), np.uint8)
   dilation = cv2.dilate(thresh, kernel, iterations=1)
   # 找轮廓
   cnts = cv2.findContours(dilation.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
   cnts = imutils.grab_contours(cnts)
# 过滤太小的
   for i, c in enumerate(cnts):
       x, y, w, h = cv2.boundingRect(c)
       if h < 15:
           cv2.fillPoly(thresh, pts=[c], color=(0))
# 分割
   char_list = []
   for c in cnts:
       x, y, w, h = cv2.boundingRect(c)
       if h < 15:
           continue
       cropImg = thresh[y:y + h, x:x + w]
       char_list.append((x, cropImg))
   return char_list
for i in range(1, 10):
   im = cv2.imread(f"test{i}.png", 0)
for ch in split_letters(im):
       print(ch[0])
       filename = f"ocr_datas/{str(uuid.uuid4())}.png"
       cv2.imwrite(filename, ch[1])

向量搜索（分类）

向量搜索其实就是个最近邻搜索的问题，我们可以使用sklearn中的KNeighborsClassifier。

训练模型代码如下：

import os
import numpy as np
from sklearn.neighbors import KNeighborsClassifier
import cv2
import pickle
import json
max_height = 30
max_width = 30
def make_im_template(im):
   template = np.zeros((max_height, max_width))
   offset_height = int((max_height - im.shape[0]) / 2)
   offset_width = int((max_width - im.shape[1]) / 2)
   template[offset_height:offset_height + im.shape[0], offset_width:offset_width + im.shape[1]] = im
   return template
label2index = {}
index2label = {}
X = []
y = []
index = 0
for _dir in os.listdir("ocr_datas"):
   new_dir = "ocr_datas/" + _dir
   if os.path.isdir(new_dir):
       label2index[_dir] = index
       index2label[index] = _dir
       for filename in os.listdir(new_dir):
           if filename.endswith("png"):
               im = cv2.imread(new_dir + "/" + filename, 0)
               tpl = make_im_template(im)  # 生成固定模板
               tpl = tpl / 255  # 归一化
               X.append(tpl.reshape(max_height*max_width))
               y.append(index)
       index += 1
print(label2index)
print(index2label)
model = KNeighborsClassifier(n_neighbors=1)
model.fit(X, y)
with open("simple_ocr.pickle", "wb") as f:
   pickle.dump(model, f)
with open("simple_index2label.json", "w") as f:
   json.dump(index2label, f)

这里有一点值得说的是如何构建图片的向量，我们分隔的图片的长和宽是不固定的，这里首先需要使用一个模型，将分隔后的图片放置到模板的中央。然后将模型转换为一维向量，当然还可以做一个归一化。

生成结果

最后生成结果就是还是先分割一遍，然后转换为向量，调用KNeighborsClassifier模型，找到最匹配的一个作为结果。当然这是识别一个字符的结果，我们还需要根据分割的位置进行一个排序，才能得到最后的结果。

import cv2
import numpy as np
import imutils
from sklearn.neighbors import KNeighborsClassifier
import pickle
import json
with open("simple_ocr.pickle", "rb") as f:
   model = pickle.load(f)
with open("simple_ocr_index2label.json", "r") as f:
   index2label = json.load(f)
max_height = 30
max_width = 30
def make_im_template(im):
   template = np.zeros((max_height, max_width))
   offset_height = int((max_height - im.shape[0]) / 2)
   offset_width = int((max_width - im.shape[1]) / 2)
   template[offset_height:offset_height + im.shape[0], offset_width:offset_width + im.shape[1]] = im
   return template.reshape(max_height*max_width)
def split_letters(im):
   # 2值化
   thresh = cv2.threshold(im, 100, 255, cv2.THRESH_BINARY)[1]
   # 纵向膨胀
   kernel = np.ones((7, 1), np.uint8)
   dilation = cv2.dilate(thresh, kernel, iterations=1)
   # 找轮廓
   cnts = cv2.findContours(dilation.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
   cnts = imutils.grab_contours(cnts)
# 过滤太小的
   for i, c in enumerate(cnts):
       x, y, w, h = cv2.boundingRect(c)
       if h < 15:
           cv2.fillPoly(thresh, pts=[c], color=(0))
# 分割
   char_list = []
   for c in cnts:
       x, y, w, h = cv2.boundingRect(c)
       if h < 15:
           continue
       cropImg = thresh[y:y + h, x:x + w]
       char_list.append((x, cropImg))
   return char_list
def ocr_recognize(fname):
   im = cv2.imread(fname, 0)
   char_list = split_letters(im)
result = []
   for ch in char_list:
       res = model.predict([make_im_template(ch[1])])[0]  # 识别单个结果
       result.append({
           "x": ch[0],
           "label": index2label[str(res)]
       })
   result.sort(key=lambda k: (k.get('x', 0)), reverse=False) # 因为是单行的，所以只需要通过x坐标进行排序。
return "".join([it["label"] for it in result])
print(ocr_recognize("test1.png"))

来源：https://juejin.cn/post/6967250663151665182