首页 > 代码库 > Chars74K数据集简介及手写字符子数据集相关读取方法
Chars74K数据集简介及手写字符子数据集相关读取方法
Chars74K数据集是一个经典的字符识别数据集，主要包括了英文字符与坎那达语（Kannada）字符。数据集一共有74K幅图像，所以叫Chars74K。
英文数据集依据图像采集方式分为三个类别：
1. 自然环境下采集的字符图像数据集；
2. 手写字符图像数据集；
3. 计算机不同字体合成的字符图像数据集。
这里只介绍英文手写字符数据集。该数据集包含了52个字符类别（A-Z，a-z）和10个数字类别（0-9）一共62个类别，3410副图像，由55个志愿者手写完成。
该数据集在EnglishHnd.tgz这个文件中（English Hand writing），图像主要在Img这个文件夹下，按照Samples001-Samples062的命名方式存储在62个子文件夹下，每个子文件夹有55张图像，都为PNG格式，分辨率为1200*900，三通道RGB图像。
一些图像如图所示：
数据集作者提供了matlab的读入方式，在Lists.tgz文件里的English/Hnd文件夹下有个lists_var_size.MAT文件来进行数据读入，但该文件只是建立了一个结构体（struct），提供了相关信息，图像的实际数据还是要自己写代码读入。
该结构体载入进来后如下：
数据集作者已经将训练数据与测试数据分成了30个不同的子集，就是以上的TRNind和TSTind，这里面存储的是图像的索引（Index），但这里要注意的是有些训练数据子集不是930个，后面有些数据是0。
以下的matlab代码在作者提供的mat文件基础上，将一个子集的训练数据、测试数据以及标签（实际分类）等信息读入，图像数据读入为cell数组，标签数据读入为uint16数组（需要注意的是标签1代表实际的数字0，标签2代表实际的数字1，依此类推）。
%% read images from chars74k English Hnd dataset.clc, clear;% list is a struct, which contains: % ALLlabels: [3410*1 uint16]% ALLnames: [3410*24 char]% classlabels: [62*1 double]% classnames: [62*13 char]% NUMclasses: 62% TSTind: [1674*30 uint16]% VALind: []% TXNind: [930*30 uint16]% TRNind: [930*30 uint16]load(‘lists_var_size.mat‘);%% extract training and test datasets%{There are 30 patches in the dataset(training & test)we will select the Nth training and test dataset.%}N = 14;% separats the training & test indexes in datasettraining_index = list.TRNind(:,N);test_index = list.TSTind(:,N);% some training patches may have some elements equal to 0% which we must ignore them.locate_zero = find(training_index == 0);training_index(locate_zero) = [];% the class labels for training settraining_labels = list.ALLlabels(training_index);% the ground truth labels for test settest_true_labels = list.ALLlabels(test_index);%% read image datafor ii = 1:length(training_index) img = imread([‘../../../English/Hnd/‘,... list.ALLnames(training_index(ii), :), ‘.png‘]); training_imgs{ii} = img;% if we want to see the image% image(img);% pause();endfor ii = 1:length(test_index) img = imread([‘../../../English/Hnd/‘,... list.ALLnames(test_index(ii), :), ‘.png‘]); test_imgs{ii} = img;% if we want to see the image% image(img);% pause();end
Python，OpenCV版本等待更新，或有人愿意一起做可以互相交流。
有任何错误或不恰当的地方，欢迎指正。
参考链接：
http://www.ee.surrey.ac.uk/CVSSP/demos/chars74k/
参考文献：
Teófilo Emídio de Campos, Bodla Rakesh Babu, Manik Varma. Character Recognition in Natural Images.[C]// Visapp 2009 - Proceedings of the Fourth International Conference on Computer Vision Theory and Applications, Lisboa, Portugal, February. 2009:273-280.
注：本文原发于七月在线论坛，是计算机视觉公开课的一次作业。
手写字符识别资源汇总-Chars74K数据集简介及手写字符子数据集相关读取方法
Chars74K数据集简介及手写字符子数据集相关读取方法