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：

 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：

 #!encoding=utf-8
 import Image
 import 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 j
 def yEnd(grey):
     m,n = grey.size
     for j in xrange(n-1,-1,-1):
         for i in xrange(m):
             if grey.getpixel((i,j)) == 0:
                 return j

 def xStart(grey):
     m,n = grey.size
     for i in xrange(m):
         for j in xrange(n):
             if grey.getpixel((i,j)) == 0:
                 return i
 def xEnd(grey):
     m,n = grey.size
     for i in xrange(m-1,-1,-1):
         for j in xrange(n):
             if grey.getpixel((i,j)) == 0:
                 return i
 def xBlank(grey):
     m,n = grey.size
     blanks = []
     for i in xrange(m):
         for j in xrange(n):
             if grey.getpixel((i,j)) == 0:
                 break
         if j == n-1:
             blanks.append(i)
     return blanks

 def yBlank(grey):
     m,n = grey.size
     blanks = []
     for j in xrange(n):
         for i in xrange(m):
             if grey.getpixel((i,j)) == 0:
                 break
         if i == m-1:
             blanks.append(j)
     return blanks

 def getWordsList():
     f = open('3500.txt')
     line = f.read().strip()
     wordslist = line.split(' ')
     f.close()
     return wordslist

 count = 0
 wordslist = []
 def getWordsByBlank(img,path):
     '''根据行列的空白取图片，效果不错'''
     global count
     global wordslist
     grey = img.split()[0]
     xblank = xBlank(grey)
     yblank = yBlank(grey)
     #连续的空白像素可能不止一个，但我们只保留连续区域的第一个空白像素和最后一个空白像素，作为文字的起点和终点
     xblank = [xblank[i] for i in xrange(len(xblank)) if i == 0 or i == len(xblank)-1 or not (xblank[i]==xblank[i-1]+1 and xblank[i]==xblank[i+1]-1)]
     yblank = [yblank[i] for i in xrange(len(yblank)) if i == 0 or i == len(yblank)-1 or not (yblank[i]==yblank[i-1]+1 and yblank[i]==yblank[i+1]-1)]
     for j in xrange(len(yblank)/2):
         for i in xrange(len(xblank)/2):
             area = (xblank[i*2],yblank[j*2],xblank[i*2+1]+32,yblank[j*2]+32)#这里固定字的大小是32个像素
             #area = (xblank[i*2],yblank[j*2],xblank[i*2+1],yblank[j*2+1])
             word = img.crop(area)
             word.save(path+wordslist[count]+'.png')
             count += 1
             if count >= len(wordslist):
                 return

 def getWordsFormImg(imgName,path):
     png = Image.open(imgName,'r')
     img = png.convert('')
     grey = img.split()[0]
     #先剪出文字区域
     area = (xStart(grey)-1,yStart(grey)-1,xEnd(grey)+2,yEnd(grey)+2)
     img = img.crop(area)
     getWordsByBlank(img,path)

 def getWrods():
     global wordslist
     wordslist = getWordsList()
     imgs = ["l1.png","l2.png","l3.png"]
     for img in imgs:
         getWordsFormImg(img,'words/')

 if __name__ == "__main__":
     getWrods()

　　切出来的字的效果也很好的：

　　

　　自己对这图像处理本来就不熟悉，用的都是土包子的方法。汉字的识别难度是比较大的，对应整齐的图片，采样DTW对字库求相似项，效果还不错，但用扫描仪、相机拍下来的文章切割处理后，效果很差。我用了BP神经网络，但3500个汉字相当于3500个类，这个超多类别的分类问题，BP也很难应付，主要是训练数据太少，手里只有一份字库。

　　如果您有什么好的方法识别图片汉字的方法，希望给与我分享，谢谢！