python生成汉字图片字库
最近做文档识别方面的项目，做汉字识别需要建立字库，在网上找了各种OCR，感觉都不好，这方面的技术应该比较成熟了，OCR的软件很多，但没有找到几篇有含金量量的论文，也没有看到哪位大牛公开字库，我用pygame渲染字体来生成字库，也用PIL对整齐的图片进行切割得到字库。
pygame渲染字体来生成字库
用pygame渲染字体我参考的这篇文章，根据GB2323-8标准，汉语中常用字3500个，覆盖了99.7%的使用率，加上次常用共6763个，覆盖99.99%的使用率。先生成一个字体图片，从网上找来3500个常用汉字，对每一个子按字体进行渲染：
| 12345678910111213141516171819 | def pasteWord(word): \’\’\’输入一个文字，输出一张包含该文字的图片\’\’\’ pygame.init() font = pygame.font.Font(os.path.join(\”./fonts\”, \”a.ttf\”), 22) text = word.decode(\’utf-8\’) imgName = \”E:/dataset/chinesedb/chinese/\”+text+\”.png\” paste(text,font,imgName) def paste(text,font,imgName,area = (0, –9)): \’\’\’根据字体，将一个文字黏贴到图片上，并保存\’\’\’ im = Image.new(\”RGB\”, (32, 32), (255, 255, 255)) rtext = font.render(text, True, (0, 0, 0), (255, 255, 255)) sio = StringIO.StringIO() pygame.image.save(rtext, sio) sio.seek(0) line = Image.open(sio) im.paste(line, area) #im.show() im.save(imgName) |
渲染图片次数多总是报错，对于渲染失败的文字我又重试，最终得到了一个包含3510字（加上10个数字）的字库:
字符分割生成字库
另外一种办法就是把3500个字放在word排好，然后转PDF保存成图片，像下面这样：
密密麻麻的字，但非常整齐，不需要什么图片处理算法，只要找到空白的行和列，按行和列就可以进行切割，切割出来也好，只要保存有序切割，切出来的图片依然可以与字对应，下面是切割的代码：
| 1234567891011121314151617181920212223242526272829303132333435363738394041424344454647484950515253545556575859606162636465666768697071727374757677787980818283848586878889909192939495969798 | #!encoding=utf-8import Imageimport os def yStart(grey): m,n = grey.size for j in xrange(n): for i in xrange(m): if grey.getpixel((i,j)) == 0: return jdef yEnd(grey): m,n = grey.size for j in xrange(n–1,–1,–1): for i in xrange(m): if grey=\”crayon-st\”>in xrange(m): if grey到字库。
pygame渲染字体来生成字库 用pygame渲染字体我参考的这篇文章，根据GB2323-8标准，汉语中常用字3500个，覆盖了99.7%的使用率，加上次常用共6763个，覆盖99.99%的使用率。先生成一个字体图片，从网上找来3500个常用汉字，对每一个子按字体进行渲染：
渲染图片次数多总是报错，对于渲染失败的文字我又重试，最终得到了一个包含3510字（加上10个数字）的字库:
字符分割生成字库 另外一种办法就是把3500个字放在word排好，然后转PDF保存成图片，像下面这样：
密密麻麻的字，但非常整齐，不需要什么图片处理算法，只要找到空白的行和列，按行和列就可以进行切割，切割出来也好，只要保存有序切割，切出来的图片依然可以与字对应，下面是切割的代码：
|