Моя собственная программа OCR в Python

Ответ 1

OCR - непростая задача. Вот почему текст CAPTCHA все еще работает:)

Чтобы говорить только об извлечении буквы, а не о распознавании образов, техника, которую вы используете для разделения букв, называется Подключенная маркировка компонентов. Поскольку вы просите более эффективный способ сделать это, попробуйте реализовать двухпроходный алгоритм, описанный в этой статье. Другое описание можно найти в статье извлечение Blob.

EDIT: здесь реализация предложенного алгоритма:

import sys
from PIL import Image, ImageDraw

class Region():
    def __init__(self, x, y):
        self._pixels = [(x, y)]
        self._min_x = x
        self._max_x = x
        self._min_y = y
        self._max_y = y

    def add(self, x, y):
        self._pixels.append((x, y))
        self._min_x = min(self._min_x, x)
        self._max_x = max(self._max_x, x)
        self._min_y = min(self._min_y, y)
        self._max_y = max(self._max_y, y)

    def box(self):
        return [(self._min_x, self._min_y), (self._max_x, self._max_y)]

def find_regions(im):
    width, height  = im.size
    regions = {}
    pixel_region = [[0 for y in range(height)] for x in range(width)]
    equivalences = {}
    n_regions = 0
    #first pass. find regions.
    for x in xrange(width):
        for y in xrange(height):
            #look for a black pixel
            if im.getpixel((x, y)) == (0, 0, 0, 255): #BLACK
                # get the region number from north or west
                # or create new region
                region_n = pixel_region[x-1][y] if x > 0 else 0
                region_w = pixel_region[x][y-1] if y > 0 else 0

                max_region = max(region_n, region_w)

                if max_region > 0:
                    #a neighbour already has a region
                    #new region is the smallest > 0
                    new_region = min(filter(lambda i: i > 0, (region_n, region_w)))
                    #update equivalences
                    if max_region > new_region:
                        if max_region in equivalences:
                            equivalences[max_region].add(new_region)
                        else:
                            equivalences[max_region] = set((new_region, ))
                else:
                    n_regions += 1
                    new_region = n_regions

                pixel_region[x][y] = new_region

    #Scan image again, assigning all equivalent regions the same region value.
    for x in xrange(width):
        for y in xrange(height):
                r = pixel_region[x][y]
                if r > 0:
                    while r in equivalences:
                        r = min(equivalences[r])

                    if not r in regions:
                        regions[r] = Region(x, y)
                    else:
                        regions[r].add(x, y)

    return list(regions.itervalues())

def main():
    im = Image.open(r"c:\users\personal\py\ocr\test.png")
    regions = find_regions(im)
    draw = ImageDraw.Draw(im)
    for r in regions:
        draw.rectangle(r.box(), outline=(255, 0, 0))
    del draw 
    #im.show()
    output = file("output.png", "wb")
    im.save(output)
    output.close()

if __name__ == "__main__":
    main()

И вот выходной файл:

Мертвая ссылка

Это не 100% отлично, но поскольку вы делаете это только для учебных целей, это может быть хорошей отправной точкой. С ограничивающей рамкой каждого символа вы можете теперь использовать нейронную сеть, как предложили другие.

Ответ 2

OCR очень, очень сложно. Даже с компьютерными персонажами это довольно сложно, если вы заранее не знаете размер шрифта и шрифта. Даже если вы точно соответствуете персонажам, я бы не назвал это "начинающим" проектом программирования; это довольно тонко.

Если вы хотите распознавать отсканированные или рукописные символы, что еще сложнее - вам нужно использовать передовые математические, алгоритмы и машинное обучение. На эту тему написано немало книг и тысяч статей, поэтому вам не нужно изобретать колесо.

Я восхищаюсь вашими усилиями, но я не думаю, что вы достигли достаточно большого уровня, чтобы поразить любую из существующих трудностей. Пока вы просто произвольно изучаете пиксели и копируете их из одного массива в другой. На самом деле вы пока ничего не сделали, и я не уверен в своей "случайной прогулке".

• Почему случайный? Написание правильных рандомизированных алгоритмов довольно сложно. Я бы рекомендовал сначала начать с детерминированного алгоритма.
• Почему вы копируете из одного массива в другой? Почему бы просто не сравнить напрямую?

Когда вы получите сравнение, вам придется иметь дело с тем, что изображение не совсем то же самое, что и "prototype", и неясно, как вы справитесь с этим.

На основе кода, который вы написали до сих пор, я имею для вас идею: попробуйте написать программу, которая находит свой путь через "лабиринт" на изображении. Вход будет изображением, плюс начальный пиксель и пиксель цели. Выход - это путь через лабиринт от начала до цели. Это гораздо более легкая проблема, чем OCR. Решение лабиринтов - это то, что отлично подходит для компьютеров, но это все еще интересно и сложно.

Ответ 3

Большинство алгоритмов OCR в наши дни основаны на алгоритмах нейронной сети. Hopfield networks - это хорошее место для начала. На основе модели Hopfield Model здесь, в C, я построил очень простой алгоритм распознавания образов в питоне, аналогичный тому, что вы описываете. Я разместил здесь полный источник . Это игрушечный проект и не подходит для реального OCR, но может помочь вам начать работу в правильном направлении.

Модель Хопфилда используется как автоассоциативная память для хранения и вызова набора растровых изображений. Изображения сохраняются путем вычисления соответствующей весовой матрицы. После этого, начиная с произвольной конфигурации, память будет располагаться именно на этом сохраненном изображении, которое ближе всего к начальной конфигурации с точки зрения расстояния Хэмминга. Таким образом, для получения неполной или поврежденной версии сохраненного изображения сеть может вызвать соответствующее исходное изображение.

Апплет Java для игры с примером можно найти здесь; сеть обучается с примерами входов для цифр 0-9. Нарисуйте прямоугольник справа, нажмите "Проверить" и просмотрите результаты из сети.

Не позволяйте математической нотации запугивать вас, алгоритмы просты, как только вы попадете в исходный код.

Ответ 4

OCR очень, очень сложно! Какой подход использовать для попытки распознавания OCR будет основываться на том, что вы пытаетесь выполнить (ручная запись recongnition, компьютерное чтение текста и т.д.)

Однако, чтобы вы начали, читайте в Neural Networks и OCR. Вот несколько статей, посвященных правым темам:

http://www.codeproject.com/KB/cs/neural_network_ocr.aspx

http://www.codeproject.com/KB/dotnet/simple_ocr.aspx

Используйте свою любимую поисковую систему, чтобы найти информацию.

Удачи!