ocr数据不够,怎么造数据

2024-06-20 11:52
文章标签 数据 怎么 ocr 不够

本文主要是介绍ocr数据不够,怎么造数据,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

1.确定特定字体类型;

2.收集合适的图片作为背景

3.在背景图上填写特定字体的字符内容

1)字体无法确认时怎么办?

方法一:可以将文本行裁剪出来去网站上确认,网站链接:字体识别-在线扫一扫图片找字体-搜字体!

方法二:将文字输入到文档文件中,更换不同的字体,看是否与字体目标匹配;

字体可以去网上下载,也可以在本机查找;本机的字体所在位置:

个人用户字体文件:~/.local/share/fonts
系统字体文件:/usr/share/fonts
字体配置文件:/etc/fonts/

下面是我处理的代码,仅供参考:

def check_dir1(path):if not os.path.exists(path):os.mkdir(path)else:files = os.listdir(path)for file in files:file_path = os.path.join(path, file)os.remove(file_path)
'''
制作一些文本行数据
'''
from PIL import ImageFont, ImageDraw
import PIL.Image as PImage
import random
import os
import numpy as np
import cv2
from rec.temporary_boundary.line_process import cut_line3_1
from result_process.preprocess import check_dir1if __name__=='__main__':cha_list = ['A','B','C','D','E','F','G','H','I','J','K',\'L','M','N','O','P','Q','R','S','T','U','V','W','X','Y','Z']save_dir = '/home/fuxueping/4tdisk/data/certificate_reader/北京现场测试数据/20240614针对识别问题/SAU_name'check_dir1(save_dir)txt_parh = '/home/fuxueping/4tdisk/data/certificate_reader/北京现场测试数据/20240614针对识别问题/SAU_name.txt'bg_img_dir = '/home/fuxueping/4tdisk/data/certificate_reader/北京现场测试数据/20240614针对识别问题/bg'bg_imgs = os.listdir(bg_img_dir)f_save = open(txt_parh, 'w', encoding='utf-8')check_dir1(save_dir)num = 50while num:all_num = 0bg_img = random.choice(bg_imgs)num1=random.choice([2, 3])chr_str = ''all_num += num1while num1:chr_ = random.choice(cha_list)chr_str += chr_num1 -=1char_med = ''for i in range(3):num2=random.choice([5,6,7,8])chr_str2=''all_num += num2while num2:chr_ = random.choice(cha_list)chr_str2 += chr_num2 -= 1if i == 0:char_med += chr_str2+', 'elif i == 1:char_med += chr_str2 + ' 'elif i == 2:char_med += chr_str2 + ' 'chr_1 = random.choice(cha_list)result_str = chr_str+' '+char_med+chr_1all_num += 1im = PImage.open(os.path.join(bg_img_dir, bg_img))w, h = im.sizefont_size = 24w_len = int(0 + all_num * (font_size-3) + 4)if w_len > w:num -= 1continuename_font = ImageFont.truetype('/home/fuxueping/4tdisk/data/certificate_reader/北京现场测试数据/20240614针对识别问题/fonts/n019003l.pfb', font_size)draw = ImageDraw.Draw(im)y_len = random.randint(0, h-font_size-5)color = tuple([random.randint(0, 20) for _ in range(3)])draw.text((2, y_len), result_str, fill=color, font=name_font)box = (0, y_len, w_len, y_len+font_size+5)rect_img = im.crop(box)image_array = np.array(rect_img)cv2_image = cv2.cvtColor(image_array, cv2.COLOR_RGB2BGR)result, _ = cut_line3_1(cv2_image)if len(result):region_rec = cv2_image[result[1]:result[3], result[0]:min(w, result[2]+2)]  # 裁剪出待识别的区域image_array = cv2.cvtColor(region_rec, cv2.COLOR_BGR2RGB)rect_img = PImage.fromarray(image_array)# image_array = cv2.cvtColor(cv2_image, cv2.COLOR_BGR2RGB)# rect_img = PImage.fromarray(image_array)save_path = os.path.join(save_dir, str(num)+'_'+result_str+'.jpg')line = save_path+'\t'+result_str+'\n'f_save.write(line)rect_img.save(save_path)num -= 1f_save.close()
# 根据设定的阈值和图片直方图,找出波峰,用于分隔字符
def find_waves_row(threshold, histogram):#行数是59# up_point = -1  # 上升点# is_peak = False# if histogram[0] >= threshold:up_point = 0 #起始位置is_peak = Truewave_peaks = []top_cut = []for i, x in enumerate(histogram): #x是对应的像素和,i是行if is_peak and x >= threshold:if i - up_point >=2 :# top_cut.append((up_point, i)) #加这一行,相当于裁减掉多于的空行up_point = i-1else:up_point = iis_peak = Falseelif not is_peak and x < threshold:#随后找到字符消失的位置is_peak = Trueif 1 < i < histogram.shape[0]-1:#行数不是在开头也不在结尾wave_peaks.append((up_point, i+1))else:wave_peaks.append((up_point, i))up_point = i# if is_peak and up_point != -1 and i - up_point > 4:#     wave_peaks.append((up_point, i))if not is_peak and x >= threshold:#虽然数据已经结束,但是没有出现小于阈值的情况wave_peaks.append((up_point, i))return wave_peaksdef cut_line3_1(rgb_img, kernel_size = 3, y_len = 5, row_threshold=255 * 1, col_thresh = 255*1):'''切割出每一行,只保留高度满足条件的一行内容,然后切除掉每一行的前端后尾端的空白'''rgb_img = method_9(rgb_img) #高斯滤波# 使用sauvola进行二值化h, w = rgb_img.shape[:2]sau_bin = sauvola_bin(rgb_img) #sauvola二值化# cv2.imwrite('./../temp/sauvola_bin.jpg', sau_bin)# sau_bin = get_charcter_region(rgb_img)  # 局部区域算阈值二值化# cv2.imwrite('./../temp/sau_bin1.jpg', sau_bin)sau_bin_inv = 255 - sau_bin# cv2.imwrite('./../temp/sau_bin_inv1.jpg', sau_bin_inv)if kernel_size != 0:sau_bin_inv = cv2.medianBlur(sau_bin_inv, kernel_size)# cv2.imwrite('./../temp/sau_bin_inv_dinose1.jpg', sau_bin_inv)col_histogram = np.sum(sau_bin_inv, axis=1)wave_peaks = find_waves_row(col_thresh, col_histogram)result = []#找出高度最大的区域,只保留一行内容max_y = 0result_y = []if not len(wave_peaks):return [], sau_bin_invfor i, wave_peak in enumerate(wave_peaks):y1 = wave_peak[0]y2 = wave_peak[1]if y2 - y1 < y_len: #20之前是这个阈值 ,将高度不满足>=5的字符区域去掉continueif max_y < y2 - y1:max_y = y2 - y1result_y = [y1, y2]if len(result_y): #有时候裁剪的图片可能是没有字符,这种情况多出现在证件类别错误的情况y1 = result_y[0]y2 = result_y[1]else:return [], sau_bin_invline_img = sau_bin_inv[y1:y2, :]# line_img_bgr = rgb_img[wave_peak[0]:wave_peak[1], :]# save_other = os.path.join(save_path, file + '_'+str(i)+'.jpg')# cv2.imwrite(save_other, line_img)row_histogram = np.sum(line_img, axis=0)  # 数组的每一列求和# row_max = np.max(row_histogram)# row_threshold = row_max - 255*1wave_peaks_line = find_waves_col(row_threshold, row_histogram)# cv2.imwrite('./../temp/line_img.jpg', line_img)x1 = 0x2 = wresult_ = []for wave_ in wave_peaks_line:len_x = wave_[1] - wave_[0]if len_x > 5:result_.append(wave_)if len(result_):  # 有时候朝水平投影内容消失了,就用【0,w】代替x1 = result_[0][0]x2 = result_[-1][1]return [x1, y1, x2, y2], sau_bin_inv

这篇关于ocr数据不够,怎么造数据的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1078055

相关文章

一文教你Python如何快速精准抓取网页数据

《一文教你Python如何快速精准抓取网页数据》这篇文章主要为大家详细介绍了如何利用Python实现快速精准抓取网页数据,文中的示例代码简洁易懂,具有一定的借鉴价值,有需要的小伙伴可以了解下... 目录1. 准备工作2. 基础爬虫实现3. 高级功能扩展3.1 抓取文章详情3.2 保存数据到文件4. 完整示例

使用Java将各种数据写入Excel表格的操作示例

《使用Java将各种数据写入Excel表格的操作示例》在数据处理与管理领域,Excel凭借其强大的功能和广泛的应用,成为了数据存储与展示的重要工具,在Java开发过程中,常常需要将不同类型的数据,本文... 目录前言安装免费Java库1. 写入文本、或数值到 Excel单元格2. 写入数组到 Excel表格

python处理带有时区的日期和时间数据

《python处理带有时区的日期和时间数据》这篇文章主要为大家详细介绍了如何在Python中使用pytz库处理时区信息,包括获取当前UTC时间,转换为特定时区等,有需要的小伙伴可以参考一下... 目录时区基本信息python datetime使用timezonepandas处理时区数据知识延展时区基本信息

Qt实现网络数据解析的方法总结

《Qt实现网络数据解析的方法总结》在Qt中解析网络数据通常涉及接收原始字节流,并将其转换为有意义的应用层数据,这篇文章为大家介绍了详细步骤和示例,感兴趣的小伙伴可以了解下... 目录1. 网络数据接收2. 缓冲区管理(处理粘包/拆包)3. 常见数据格式解析3.1 jsON解析3.2 XML解析3.3 自定义

SpringMVC 通过ajax 前后端数据交互的实现方法

《SpringMVC通过ajax前后端数据交互的实现方法》:本文主要介绍SpringMVC通过ajax前后端数据交互的实现方法,本文给大家介绍的非常详细,对大家的学习或工作具有一定的参考借鉴价... 在前端的开发过程中,经常在html页面通过AJAX进行前后端数据的交互,SpringMVC的controll

Pandas统计每行数据中的空值的方法示例

《Pandas统计每行数据中的空值的方法示例》处理缺失数据(NaN值)是一个非常常见的问题,本文主要介绍了Pandas统计每行数据中的空值的方法示例,具有一定的参考价值,感兴趣的可以了解一下... 目录什么是空值?为什么要统计空值?准备工作创建示例数据统计每行空值数量进一步分析www.chinasem.cn处

如何使用 Python 读取 Excel 数据

《如何使用Python读取Excel数据》:本文主要介绍使用Python读取Excel数据的详细教程,通过pandas和openpyxl,你可以轻松读取Excel文件,并进行各种数据处理操... 目录使用 python 读取 Excel 数据的详细教程1. 安装必要的依赖2. 读取 Excel 文件3. 读

Spring 请求之传递 JSON 数据的操作方法

《Spring请求之传递JSON数据的操作方法》JSON就是一种数据格式,有自己的格式和语法,使用文本表示一个对象或数组的信息,因此JSON本质是字符串,主要负责在不同的语言中数据传递和交换,这... 目录jsON 概念JSON 语法JSON 的语法JSON 的两种结构JSON 字符串和 Java 对象互转

C++如何通过Qt反射机制实现数据类序列化

《C++如何通过Qt反射机制实现数据类序列化》在C++工程中经常需要使用数据类,并对数据类进行存储、打印、调试等操作,所以本文就来聊聊C++如何通过Qt反射机制实现数据类序列化吧... 目录设计预期设计思路代码实现使用方法在 C++ 工程中经常需要使用数据类,并对数据类进行存储、打印、调试等操作。由于数据类

SpringBoot使用GZIP压缩反回数据问题

《SpringBoot使用GZIP压缩反回数据问题》:本文主要介绍SpringBoot使用GZIP压缩反回数据问题,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录SpringBoot使用GZIP压缩反回数据1、初识gzip2、gzip是什么,可以干什么?3、Spr