استخراج رمز من صورة تي شيرت عبر OCR

StackOverflow https://stackoverflow.com/questions/2418722

  •  19-09-2019
  •  | 
  •  

سؤال

لقد رأيت مؤخرا شخصا مع تي شيرت مع بعض رمز بيرل على الظهر. أخذت صورة منه واقتصاص الكود:

alt text

التالي حاولت استخراج الرمز من الصورة عبر OCR، لذلك قمت بتثبيت tesseract ocr. وملزمة بيثون لذلك، Pytesser..

Pytesser يعمل فقط على صور TIFF، لذلك قمت بتحويل الصورة في Gimp وإدخال التعليمات البرمجية التالية (Ubuntu 9.10):

>>> from pytesser import *
>>> image = Image.open('code.tif')
>>> print image_to_string(image)
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
  File "pytesser.py", line 30, in image_to_string
    util.image_to_scratch(im, scratch_image_name)
  File "util.py", line 7, in image_to_scratch
    im.save(scratch_image_name, dpi=(200,200))
  File "/usr/lib/python2.6/dist-packages/PIL/Image.py", line 1406, in save
    save_handler(self, fp, filename)
  File "/usr/lib/python2.6/dist-packages/PIL/BmpImagePlugin.py", line 197, in _save
    raise IOError("cannot write mode %s as BMP" % im.mode)
IOError: cannot write mode RGBA as BMP
>>> r,g,b,a = image.split()
>>> img = Image.merge("RGB", (r,g,b))
>>> print image_to_string(img)
Tesseract Open Source OCR Engine

     éi     _   l_` _ t  
  ’   ‘" fY`  
  {  W       IKQW
  ·  __·_  ‘ ·-»·      
       :W   Z  
  ··  I  A n   1   
           ;f        
     `    `      
`T     .' V   _ ‘  
I  {Z.; » ;,. , ;  y i-   4 : %:,,    
      `· »    V; ` ?    
‘,—·.    
H***li¥v·•·}I§¢   ` _  »¢is5#__·¤G$++}§;“»‘7·
  71   ’    Q  {  NH IQ
  ytéggygi {     ;g¤qg;gm·;,g(g,,3) {3;;+-
   § {Jf**$d$ }‘$p•¢L#d¤ Sc}
  »   i `  i A1:

هذا من بوضوح جبرية تخرج من محرك OCR. لذلك، سؤالي هو:

  • ماذا علي أن أفعل للحصول على أفضل النتائج التي تنطلق من tesseract؟
  • أو، هل يحظى أي شخص آخر باستخراج الكود من الصورة أعلاه بطريقة أخرى؟
هل كانت مفيدة؟

المحلول

ربما يمكنك كتابة أسرع مما يمكنك تنظيف الصور وتثبيت محركات OCR:

#!/usr/bin/perl
(my$d=q[AA                GTCAGTTCCT
  CGCTATGTA                 ACACACACCA
    TTTGTGAGT                ATGTAACATA
      CTCGCTGGC              TATGTCAGAC
        AGATTGATC          GATCGATAGA
          ATGATAGATC     GAACGAGTGA
            TAGATAGAGT GATAGATAGA
              GAGAGA GATAGAACGA
                TC GATAGAGAGA
                 TAGATAGACA G
               ATCGAGAGAC AGATA
             GAACGACAGA TAGATAGAT
           TGAGTGATAG    ACTGAGAGAT
         AGATAGATTG        ATAGATAGAT
       AGATAGATAG           ACTGATAGAT
     AGAGTGATAG             ATAGAATGAG
   AGATAGACAG               ACAGACAGAT
  AGATAGACAG               AGAGACAGAT
  TGATAGATAG             ATAGATAGAT
  TGATAGATAG           AATGATAGAT
   AGATTGAGTG        ACAGATCGAT
     AGAACCTTTCT   CAGTAACAGT
       CTTTCTCGC TGGCTTGCTT
         TCTAA CAACCTTACT
           G ACTGCCTTTC
           TGAGATAGAT CGA
         TAGATAGATA GACAGAC
       AGATAGATAG  ATAGAATGAC
     AGACAGAGAG      ACAGAATGAT
   CGAGAGACAG          ATAGATAGAT
  AGAATGATAG             ACAGATAGAC
  AGATAGATAG               ACAGACAGAT
  AGACAGACTG                 ATAGATAGAT
   AGATAGATAG                 AATGACAGAT
     CGATTGAATG               ACAGATAGAT
       CGACAGATAG             ATAGACAGAT
         AGAGTGATAG          ATTGATCGAC
           TGATTGATAG      ACTGATTGAT
             AGACAGATAG  AGTGACAGAT
               CGACAGA TAGATAGATA
                 GATA GATAGATAG
                    ATAGACAGA G
                  AGATAGATAG ACA
                GTCGCAAGTTC GCTCACA
])=~s/\s+//g;%a=map{chr $_=>$i++}65,84,67,
71;$p=join$;,keys%a;while($d=~/([$p]{4})/g
){next if$j++%96>=16;$c=0;for$d(0..3){$c+=
$a{substr($1,$d,1)}*(4**$d)}$perl.=chr $c}
             eval $perl;

تعديل: الخطأ المطبعي.

نصائح أخرى

سيؤدي المعالجة المسبقة بالتأكيد إلى صورة أكثر قابلية للتطبيق.

على سبيل المثال، إليكم نتيجة "مستويات" الأعرج "،" الفرق-جوسي "، و" مستويات "مرشحات على الصورة.

pre processed image

مجرد عدد قليل من الأخطاء المطبعية الصغيرة في رمز reddwight.

#!/usr/bin/perl
(my $d=q[AA                GTCAGTTCCT
  CGCTATGTA                 ACACACACCA
    TTTGTGAGT                ATGTAACATA
      CTCGCTGGC              TATGTCAGAC
        AGATTGATC          GATCGATAGA
          ATGATAGATC     GAACGAGTGA
            TAGATAGAGT GATAGATAGA
              GAGAGA GATAGAACGA
                TC GATAGAGAGA
                 TAGATAGACA G
               ATCGAGAGAC AGATA
             GAACGACAGA TAGATAGAT
           TGAGTGATAG    ACTGAGAGAT
         AGATAGATTG        ATAGATAGAT
       AGATAGATAG           ACTGATAGAT
     AGAGTGATAG             ATAGAATGAG
   AGATAGACAG               ACAGACAGAT
  AGATAGACAG               AGAGACAGAT
  TGATAGATAG             ATAGATAGAT
  TGATAGATAG           AATGATAGAT
   AGATTGAGTG        ACAGATCGAT
     AGAACCTTTCT   CAGTAACAGT
       CTTTCTCGC TGGCTTGCTT
         TCTAA CAACCTTACT
           G ACTGCCTTTC
           TGAGATAGAT CGA
         TAGATAGATA GACAGAC
       AGATAGATAG  ATAGAATGAC
     AGACAGAGAG      ACAGAATGAT
   CGAGAGACAG          ATAGATAGAT
  AGAATGATAG             ACAGATAGAC
  AGATAGATAG               ACAGACAGAT
  AGACAGACTG                 ATAGATAGAT
   AGATAGATAG                 AATGACAGAT
     CGATTGAATG               ACAGATAGAT
       CGACAGATAG             ATAGACAGAT
         AGAGTGATAG          ATTGATCGAC
           TGATTGATAG      ACTGATTGAT
             AGACAGATAG  AGTGACAGAT
               CGACAGA TAGATAGATA
                 GATA GATAGATAG
                    ATAGACAGA G
                  AGATAGATAG ACA
                GTCGCAAGTTC GCTCACA
])=~s/\s+//g;%a=map{chr $_=>$i++}65,84,67,
71;$p=join$;,keys%a;while($d=~/([$p]{4})/g
){next if$j++%96>=16;$c=0;for$d(0..3){$c+=
$a{substr($1,$d,1)}*(4**$d)}$perl.=chr $c}
             eval $perl;

أنه عند تنفيذها ينتج:

Just another genome hacker.

إذا كنت كنت سأبدأ عن طريق تنظيف الصورة قدر الإمكان، باستخدام برنامج معالجة الصور (GIMP، على سبيل المثال) بحيث تكون المدخلات ل OCR مفهومة بسهولة أكبر.

إذا كان ذلك ممكنا، تهدف إلى إنشاء صورة باللون الأسود والأبيض فقط.

ربما تحتاج إلى معالجة الصورة، أي وضعها على الرغم من أن بعض المرشحات مثل "كشف الحافة"، أو النقش / النقش أو فلتر الضوضاء ...

يتم توجيه الأونسطيكي الجيد بقوة عن طريق التكرار بلغات طبيعية لتحصل على مجموعة فرعية ل "ما قد يكون الحرف التالي". Perl Code لا يعطي المساعدات من هذا القبيل إلى OCR. اكتبها باليد.

المفتاح لمهمة مثل هذا هو الاستفادة من القيود الواضحة. ابحث عن مكتبة تتيح لك تحديد مجموعة الأحرف الخاصة بك. تتطلب جميع الأحرف في رحلات الحمض النووي الرئيسية أن تكون واحدة من ATG C. تتطلب أن يتم تحليل الأمر كله بمثابة بيرل. اكتب في الأجزاء الصلبة باليد إذا لزم الأمر.

مرخصة بموجب: CC-BY-SA مع الإسناد
لا تنتمي إلى StackOverflow
scroll top