目标

• 根据掌握的kNN 知识创建一个基本的OCR 程序
• 使用OpenCV自带的手写数字和字母数据测试我们的程序

手写数字的OCR

        我们的目的是创建一个可以对手写数字进行识别的程序。为了达到这个目的我们需要训练数据和测试数据。OpenCV安装包中有一副图片(/samples/ python2/data/digits.png),其中有5000个手写数字(每个数字重复500遍)。每个数字是一个20x20的小图。所以第一步就是将这个图像分割成5000个不同的数字。我们在将拆分后的每一个数字的图像重排成一行含有400个像 素点的新图像。这个就是我们的特征集,所有像素的灰度值。这是我们能创建 的最简单的特征集。我们使用每个数字的前250个样本做训练数据,剩余的250个做测试数据。先准备一下:

# -*- coding: utf-8 -*-import numpy as np
import cv2
from matplotlib import pyplot as pltimg = cv2.imread('digits.png')
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)# Now we split the image to 5000 cells, each 20x20 size
cells = [np.hsplit(row,100) for row in np.vsplit(gray,50)]# Make it into a Numpy array. It size will be (50,100,20,20)
x = np.array(cells)# Now we prepare train_data and test_data.
train = x[:,:50].reshape(-1,400).astype(np.float32) # Size = (2500,400)
test = x[:,50:100].reshape(-1,400).astype(np.float32) # Size = (2500,400)# Create labels for train and test data
k = np.arange(10)
train_labels = np.repeat(k,250)[:,np.newaxis]
test_labels = train_labels.copy()# Initiate kNN, train the data, then test it with test data for k=1
knn = cv2.KNearest()
knn.train(train,train_labels)
ret,result,neighbours,dist = knn.find_nearest(test,k=5)# Now we check the accuracy of classification
# For that, compare the result with test_labels and check which are wrong
matches = result==test_labels
correct = np.count_nonzero(matches)
accuracy = correct*100.0/result.size
print (accuracy)

        现在最基本的OCR程序已经准备好了,这个示例中我们得到的准确率为91%。改善准确度的一个办法是提供更多的训练数据,尤其是判断错误的那 些数字。为了避免每次运行程序都要准备和训练分类器,我们最好把它保留, 这样在下次运行是时,只需要从文件中读取这些数据开始进行分类就可以了。Numpy函数np.savetxt,np.load等可以帮助我们，具体的函数细节可以查看相应的文档。 

np.savez('knn_data.npz',train=train, train_labels=train_labels)
# Now load the data
with np.load('knn_data.npz') as data:print data.filestrain = data['train']train_labels = data['train_labels']

        在我的系统中,占用的空间大概为4.4M。由于我们现在使用灰度值 (unint8)作为特征,在保存之前最好先把这些数据装换成np.uint8格式,这样就只需要占用1.1M的空间。在加载数据时再转会到float32。 

英文字母的OCR

        接下来我们来做英文字母的OCR。和上面做法一样,但是数据和特征集有 一些不同。现在OpenCV给出的不是图片了,而是一个数据文件(/samples/ cpp/letter-recognition.data)。如果打开它的话,你会发现它有20000行, 第一样看上去就像是垃圾。实际上每一行的第一列是我们的一个字母标记。接 下来的16个数字是它的不同特征。这些特征来源于UCI Machine Learning Repository。你可以在此页找到更多相关信息。

        有20000个样本可以使用,我们取前10000个作为训练样本，剩下的10000个作为测试样本。我们应在先把字母表转换成asc码,因为我们不能直接处理字母。

# -*- coding: utf-8 -*-import cv2
import numpy as np
import matplotlib.pyplot as plt# Load the data, converters convert the letter to a number
data= np.loadtxt('letter-recognition.data', dtype= 'float32', delimiter = ',',converters= {0: lambda ch: ord(ch)-ord('A')})# split the data to two, 10000 each for train and test
train, test = np.vsplit(data,2)# split trainData and testData to features and responses
responses, trainData = np.hsplit(train,[1])
labels, testData = np.hsplit(test,[1])# Initiate the kNN, classify, measure accuracy.
knn = cv2.KNearest()
knn.train(trainData, responses)ret, result, neighbours, dist = knn.find_nearest(testData, k=5)
correct = np.count_nonzero(result == labels)
accuracy = correct*100.0/10000
print (accuracy)

准确率达到了93.22%。同样你可以通过增加训练样本的数量来提高准确率。