首页 > 代码库 > python ocr(光学文字识别） 学习笔记 （一）
python ocr(光学文字识别） 学习笔记 （一）
参考资料：500 lines or less ocr
我们的OCR系统主要由5部分组成,分别写在5个文件之中。它们分别是:
-
客户端(ocr.js)
-
服务器(server.py)
-
简单的用户界面(ocr.html)
-
基于反向传播训练的ANN(ocr.py)
-
ANN的实现脚本(neuralnetworkdesign.py)
虽然界面服务器用户界面不是我们的重点，但由于笔者水平有限，必须要从这些地方撸起。首先看最简单的用户界面，它将是我们使用的入口
<html> <head> <script src="http://www.mamicode.com/ocr.js"></script> <link rel="stylesheet" type="text/css" href="http://www.mamicode.com/ocr.css"> </head> <body onl oad="ocrDemo.onLoadFunction()"> <div id="main-container" style="text-align: center;"> <h1>OCR Demo</h1> <canvas id="canvas" width="200" height="200"></canvas> <form name="input"> <p>Digit: <input id="digit" type="text"> </p> <input type="button" value="http://www.mamicode.com/Train" onclick="ocrDemo.train()"> <input type="button" value="http://www.mamicode.com/Test" onclick="ocrDemo.test()"> <input type="button" value="http://www.mamicode.com/Reset" onclick="ocrDemo.resetCanvas();"/> </form> </div> </body> </html>
canvas是一个必须由脚本绘制的图形容器。除此之外我们定义了三个按钮调用js的处理函数
以下是完整的js脚本ocr.js
/**
* This module creates a 200x200 pixel canvas for a user to draw
* digits. The digits can either be used to train the neural network
* or to test the network‘s current prediction for that digit.
*
* To simplify computation, the 200x200px canvas is translated as a 20x20px
* canvas to be processed as an input array of 1s (white) and 0s (black) on
* on the server side. Each new translated pixel‘s size is 10x10px
*
* When training the network, traffic to the server can be reduced by batching
* requests to train based on BATCH_SIZE.
*/
var ocrDemo = {
CANVAS_WIDTH: 200,
TRANSLATED_WIDTH: 20,
PIXEL_WIDTH: 10, // TRANSLATED_WIDTH = CANVAS_WIDTH / PIXEL_WIDTH
BATCH_SIZE: 1,
// Server Variables
PORT: "8000",
HOST: "http://localhost",
// Colors
BLACK: "#000000",
BLUE: "#0000ff",
trainArray: [],
trainingRequestCount: 0,
onl oadFunction: function() {
this.resetCanvas();
},
resetCanvas: function() {
var canvas = document.getElementById(‘canvas‘);
var ctx = canvas.getContext(‘2d‘);
this.data = http://www.mamicode.com/[];"digit").value;
if (!digitVal || this.data.indexOf(1) < 0) {
alert("Please type and draw a digit value in order to train the network");
return;
}
this.trainArray.push({"y0": this.data, "label": parseInt(digitVal)});
this.trainingRequestCount++;
// Time to send a training batch to the server.
if (this.trainingRequestCount == this.BATCH_SIZE) {
alert("Sending training data to server...");
var json = {
trainArray: this.trainArray,
train: true
};
this.sendData(json);
this.trainingRequestCount = 0;
this.trainArray = [];
}
},
test: function() {
if (this.data.indexOf(1) < 0) {
alert("Please draw a digit in order to test the network");
return;
}
var json = {
image: this.data,
predict: true
};
this.sendData(json);
},
receiveResponse: function(xmlHttp) {
if (xmlHttp.status != 200) {
alert("Server returned status " + xmlHttp.status);
return;
}
var responseJSON = JSON.parse(xmlHttp.responseText);
if (xmlHttp.responseText && responseJSON.type == "test") {
alert("The neural network predicts you wrote a \‘" + responseJSON.result + ‘\‘‘);
}
},
one rror: function(e) {
alert("Error occurred while connecting to server: " + e.target.statusText);
},
sendData: function(json) {
var xmlHttp = new XMLHttpRequest();
xmlHttp.open(‘POST‘, this.HOST + ":" + this.PORT, false);
xmlHttp.onload = function() { this.receiveResponse(xmlHttp); }.bind(this);
xmlHttp.onerror = function() { this.onError(xmlHttp) }.bind(this);
var msg = JSON.stringify(json);
xmlHttp.setRequestHeader(‘Content-length‘, msg.length);
xmlHttp.setRequestHeader("Connection", "close");
xmlHttp.send(msg);
}
}
虽然javascript本来是不支持类的，但可以用“极简主义法”的方式定义类，参看：http://www.ruanyifeng.com/blog/2012/07/three_ways_to_define_a_javascript_class.html
如我们的var ocrDemo就可以看作一个以极简主义法定义的类。而this指针是js语言的一个关键字，它在函数调用的时候自动生成，并且它总是指向调用函数的那个对象
如此，结合canvas的一些方法，画画过程就不难看懂了：我们把10*10的一个真实像素化为一个我们的像素，为网格填充颜色后，监听鼠标动作，每次点击和move调用
fillSquare 函数填充一个方块
解决了画画问题，下一步要将数据传输到服务器，让它进行相关的学习,其中
sendData: function(json) {
var xmlHttp = new XMLHttpRequest();
xmlHttp.open(‘POST‘, this.HOST + ":" + this.PORT, false);
console.log(this.HOST+":"+this.PORT)
xmlHttp.onload = function() { this.receiveResponse(xmlHttp); }.bind(this);
xmlHttp.onerror = function() { this.onError(xmlHttp) }.bind(this);
var msg = JSON.stringify(json);
xmlHttp.setRequestHeader(‘Content-length‘, msg.length);
xmlHttp.setRequestHeader("Connection", "close");
console.log("fuck")
xmlHttp.send(msg);
}
xmlhttprequest对象可以用于幕后和服务器交换数据
该对象有如下方法：
| abort() | 取消当前的请求。 |
| getAllResponseHeaders() | 返回头信息。 |
| getResponseHeader() | 返回指定的头信息。 |
| open(method,url,async,uname,pswd) | 规定请求的类型，URL，请求是否应该进行异步处理，以及请求的其他可选属性。 method：请求的类型：GET 或 POST url：文件在服务器上的位置 async：true（异步）或 false（同步） |
| send(string) | 发送请求到服务器。 string：仅用于 POST 请求 |
| setRequestHeader() | 把标签/值对添加到要发送的头文件。 |
值得注意的是open方法中的同步（false)异步(true)请求,如果设置为同步，那么在未收到返回数据之前，浏览器页面是不能进行其他操作的。如果设置为同步，则可以进行其他操作，但服务器返回的数据可能收不到了。笔者没有在windows下装科学计算环境，服务器挂在了阿里云上。这又带来了一些问题：
1.由于需要实时响应，向远程服务器发送的速度非常慢
2.跨域访问通常情况下被拒绝
3.服务器端若不关闭防火墙将不能收到post请求
什么是跨域访问呢？从一个域名的网页访问另一网页的资源时，只要协议域名端口有任何一个不同，就被称为跨域访问。跨域访问由于一些安全问题，通常情况是拒绝的
我们需要在服务器端处理post请求时添加报文头部 s.send_header("Access-Control-Allow-Origin", "*")
其中*代表任意，即我们允许任意域访问。这其中又有一个细节，当跨域访问无权限时，服务端还是能够收到请求报文的，但不会对它进行处理
服务器部分源码如下：
import BaseHTTPServer
import json
from ocr import OCRNeuralNetwork
import numpy as np
HOST_NAME = ‘localhost‘
PORT_NUMBER = 8000
HIDDEN_NODE_COUNT = 15
# Load data samples and labels into matrix
data_matrix = np.loadtxt(open(‘data.csv‘, ‘rb‘), delimiter = ‘,‘)
data_labels = np.loadtxt(open(‘dataLabels.csv‘, ‘rb‘))
# Convert from numpy ndarrays to python lists
data_matrix = data_matrix.tolist()
data_labels = data_labels.tolist()
# If a neural network file does not exist, train it using all 5000 existing data samples.
# Based on data collected from neural_network_design.py, 15 is the optimal number
# for hidden nodes
nn = OCRNeuralNetwork(HIDDEN_NODE_COUNT, data_matrix, data_labels, list(range(5000)));
class JSONHandler(BaseHTTPServer.BaseHTTPRequestHandler):
def do_POST(s):
print "fuck"
response_code = 200
response = ""
var_len = int(s.headers.get(‘Content-Length‘))
content = s.rfile.read(var_len);
payload = json.loads(content);
if payload.get(‘train‘):
nn.train(payload[‘trainArray‘])
nn.save()
elif payload.get(‘predict‘):
try:
response = {"type":"test", "result":nn.predict(str(payload[‘image‘]))}
except:
response_code = 500
else:
response_code = 400
s.send_response(response_code)
s.send_header("Content-type", "application/json")
s.send_header("Access-Control-Allow-Origin", "*")
s.end_headers()
if response:
s.wfile.write(json.dumps(response))
return
Page = ‘‘‘ <html>
<body>
<p>Hello, web!</p>
</body>
</html>
‘‘‘
# Handle a GET request.
def do_GET(self):
self.send_response(200)
self.send_header("Content-type", "text/html")
self.send_header("Content-Length", str(len(self.Page)))
self.end_headers()
self.wfile.write(self.Page)
if __name__ == ‘__main__‘:
server_class = BaseHTTPServer.HTTPServer;
httpd = server_class((HOST_NAME, PORT_NUMBER), JSONHandler)
try:
httpd.serve_forever()
except KeyboardInterrupt:
pass
else:
print "Unexpected server exception occurred."
finally:
httpd.server_close()
逻辑也不难理解。先预处理数据，然后使用basehttpserver开启服务器，重写post请求
aseHTTPRequestHandler 实例有下列方法：
handle()
调用 handle_one_request()一次 (或，如果能够持续连接，多次) 处理进来的 HTTP 请求。你从不需要重载它；替代，实现对应的 do_*() 方法。
handle_one_request()
这个方法将解析和分派请求到对应的 do_*() 方法。你从不需要重载它。
send_error(code[, message])
发送并记录一个完整的错误回复到客户端。数字的 code 指定 HTTP 错误代码，以 message 作为可选的，更多指定的文本。全套的头被发送，后面紧跟使用 the error_message_format 类变量组成的文本。
send_response(code[, message])
发送一个响应头并记录已接收的请求。HTTP 响应行被发送，后面紧跟 Server 和 Date 头。这两个头的值分别地从 version_string() 和 date_time_string() 方法中获得。
send_header(keyword, value)
编写一个指定的 HTTP 头到输出流。 keyword 应该指定头关键字，value 指定它的值。
end_headers()
发送一个空白行，表示响应中的 HTTP 头结束。
log_request([code[, size]])
记录一个已接收的 (成功的) 请求。code 指定关联响应的数字的 HTTP 代码。如果响应的大小可用，那么它应该作为 size 参数被传递。
log_error(...)
当一个请求不能被完成时记录一个错误。缺省，它传递信息给 log_message()，因此它取相同的参数 (format 和 附加值)。
log_message( format,...)
记录一个随机信息给 sys.stderr。典型地重载创建自定义的错误日志结构。 format 参数是一个标准的printf风格的格式化字符串，附加参数给 log_message() 用于输出格式。客户端地址和当前的日期时间被作为记录的每个信息的前缀。
version_string()
返回服务器软件的版本字符串。这是一个 server_version 和 sys_version 类变量的联合。
date_time_string([timestamp])
返回通过 timestamp 给定的日期和时间(必须是由 time.time()返回的格式)，格式化一个信息头。如果 timestamp 被省略，它使用当前的日期和时间。
结果像 ‘Sun, 06 Nov 1994 08:49:37 GMT‘。2.5 版本中的新特性： timestamp 参数。
log_date_time_string()
返回当前的日期和时间，格式化日志。
address_string()
返回客户端地址，格式化日志。一个名称的查找被执行在客户端的IP地址上。
如此基础部分就解读完成啦
python ocr(光学文字识别） 学习笔记 （一）