如何使用 Keras OCR 示例？

Question

我发现examples/image_ocr.py 似乎适用于 OCR。因此，应该可以给模型一个图像并接收文本。但是，我不知道该怎么做。如何为模型提供新图像？需要哪种预处理？

我做了什么

安装依赖：

• 安装cairocffi:sudo apt-get install python-cairocffi
• 安装editdistance:sudo -H pip install editdistance
• 更改train 以返回模型并保存训练好的模型。
• 运行脚本来训练模型。

现在我有一个model.h5。下一步是什么？

请参阅https://github.com/MartinThoma/algorithms/tree/master/ML/ocr/keras 了解我当前的代码。我知道如何加载模型（见下文），这似乎有效。问题是我不知道如何将带有文本的新图像扫描提供给模型。

相关问题

• 什么是 CTC？ Connectionist Temporal Classification?
• 是否有可靠检测文档旋转的算法？
• 是否有算法可以可靠地检测行/文本块/表格/图像（从而进行合理的分割）？我猜边缘检测与平滑和逐行直方图的效果已经相当不错了？

我尝试了什么

#!/usr/bin/env python

from keras import backend as K
import keras
from keras.models import load_model
import os

from image_ocr import ctc_lambda_func, create_model, TextImageGenerator
from keras.layers import Lambda
from keras.utils.data_utils import get_file
import scipy.ndimage
import numpy

img_h = 64
img_w = 512
pool_size = 2
words_per_epoch = 16000
val_split = 0.2
val_words = int(words_per_epoch * (val_split))
if K.image_data_format() == 'channels_first':
    input_shape = (1, img_w, img_h)
else:
    input_shape = (img_w, img_h, 1)

fdir = os.path.dirname(get_file('wordlists.tgz',
                                origin='http://www.mythic-ai.com/datasets/wordlists.tgz', untar=True))

img_gen = TextImageGenerator(monogram_file=os.path.join(fdir, 'wordlist_mono_clean.txt'),
                             bigram_file=os.path.join(fdir, 'wordlist_bi_clean.txt'),
                             minibatch_size=32,
                             img_w=img_w,
                             img_h=img_h,
                             downsample_factor=(pool_size ** 2),
                             val_split=words_per_epoch - val_words
                             )
print("Input shape: {}".format(input_shape))
model, _, _ = create_model(input_shape, img_gen, pool_size, img_w, img_h)

model.load_weights("my_model.h5")

x = scipy.ndimage.imread('example.png', mode='L').transpose()
x = x.reshape(x.shape + (1,))

# Does not work
print(model.predict(x))

这给了

2017-07-05 22:07:58.695665: I tensorflow/core/common_runtime/gpu/gpu_device.cc:996] Creating TensorFlow device (/gpu:0) -> (device: 0, name: GeForce GTX TITAN Black, pci bus id: 0000:01:00.0)
Traceback (most recent call last):
  File "eval_example.py", line 45, in <module>
    print(model.predict(x))
  File "/usr/local/lib/python2.7/dist-packages/keras/engine/training.py", line 1567, in predict
    check_batch_axis=False)
  File "/usr/local/lib/python2.7/dist-packages/keras/engine/training.py", line 106, in _standardize_input_data
    'Found: array with shape ' + str(data.shape))
ValueError: The model expects 4 arrays, but only received one array. Found: array with shape (512, 64, 1)

Answer 1

好吧，我会尽力回答你在这里提出的所有问题：

正如 OCR 代码中所述，Keras 不支持具有多个参数的损失，因此它计算了 lambda 层中的 NN 损失。在这种情况下，这意味着什么？

神经网络可能看起来很混乱，因为它使用 4 个输入 ([input_data, labels, input_length, label_length]) 和 loss_out 作为输出。除了 input_data 之外，其他的都是只用于计算损失的信息，也就是说它只用于训练。我们想要原始代码第 468 行中的内容：

Model(inputs=input_data, outputs=y_pred).summary()

意思是“我有一个图像作为输入，请告诉我这里写了什么”。那么如何实现呢？

1) 保持原训练代码不变，正常进行训练；

2) 训练完成后，将此模型Model(inputs=input_data, outputs=y_pred)保存在一个.h5文件中，以便加载到任何你想要的地方；

3) 做预测：如果你看一下代码，输入图像是反转和翻译的，所以你可以使用这段代码让它变得简单：

from scipy.misc import imread, imresize
#use width and height from your neural network here.

def load_for_nn(img_file):
    image = imread(img_file, flatten=True)
    image = imresize(image,(height, width))
    image = image.T

    images = np.ones((1,width,height)) #change 1 to any number of images you want to predict, here I just want to predict one
    images[0] = image
    images = images[:,:,:,np.newaxis]
    images /= 255

    return images

加载图片后，让我们进行预测：

def predict_image(image_path): #insert the path of your image 
    image = load_for_nn(image_path) #load from the snippet code
    raw_word = model.predict(image) #do the prediction with the neural network
    final_word = decode_output(raw_word)[0] #the output of our neural network is only numbers. Use decode_output from image_ocr.py to get the desirable string.
    return final_word

这应该足够了。根据我的经验，训练中使用的图像不足以做出良好的预测，如有必要，我将使用其他数据集发布代码以改进我的结果。

回答相关问题：

• 什么是 CTC？ Connectionist Temporal Classification?

这是一种用于改进序列分类的技术。原始论文证明它改善了发现音频中所说内容的结果。在这种情况下，它是一个字符序列。解释有点技巧，但你可以找到一个好的here.

• 是否有可靠检测文档旋转的算法？

我不确定，但你可以看看神经网络中的注意力机制。我现在没有任何好的链接，但我知道可能是这种情况。

• 是否有算法可以可靠地检测行/文本块/表格/图像（从而进行合理的分割）？我猜边缘检测与平滑和逐行直方图的效果已经相当不错了？

OpenCV 实现了最大稳定极值区域（称为 MSER）。我真的很喜欢这个算法的结果，它很快并且在我需要的时候对我来说已经足够好了。

正如我之前所说，我会尽快发布代码。当我这样做时，我将使用存储库编辑问题，但我相信这里的信息足以让示例运行。

Answer 2

在这里，您创建了一个需要 4 个输入的模型：

model = Model(inputs=[input_data, labels, input_length, label_length], outputs=loss_out)

另一方面，您的预测尝试只是加载图像。
因此消息：模型需要 4 个数组，但只收到一个数组

从您的代码中，必要的输入是：

input_data = Input(name='the_input', shape=input_shape, dtype='float32')
labels = Input(name='the_labels', shape=[img_gen.absolute_max_string_len],dtype='float32')
input_length = Input(name='input_length', shape=[1], dtype='int64')
label_length = Input(name='label_length', shape=[1], dtype='int64')

原始代码和您的培训工作，因为他们使用TextImageGenerator。该生成器关心为您提供模型的四个必要输入。

因此，您要做的就是使用生成器进行预测。正如您使用生成器进行训练的 fit_generator() 方法一样，您还拥有使用生成器进行预测的 predict_generator() 方法。

---

现在，要获得完整的答案和解决方案，我必须研究您的生成器，看看它是如何工作的（这需要我一些时间）。但是现在您知道要做什么了，您可能会弄清楚。

您可以按原样使用生成器，并预测可能大量的数据，或者您可以尝试复制一个生成器，该生成器将只生成一张或几张具有必要标签、长度和标签长度的图像。

或者，如果可能，只需手动创建剩余的 3 个数组，但要确保它们具有与生成器输出相同的形状（第一个除外，即批量大小）。

但是，您必须声明的一件事是：有 4 个数组，其形状与生成器输出的形状相同，但第一个维度除外。

Answer 3

现在我有一个model.h5。下一步是什么？

首先我要评论model.h5 包含您网络的权重，如果您也希望保存网络的架构，您应该将其保存为json 就像这个例子：

model_json = model_json = model.to_json()
with open("model_arch.json", "w") as json_file:
    json_file.write(model_json)

现在，一旦您有了模型及其权重，您就可以通过执行以下操作按需加载它们：

json_file = open('model_arch.json', 'r')
loaded_model_json = json_file.read()
json_file.close()
loaded_model = model_from_json(loaded_model_json)
# load weights into new model
# if you already have a loaded model and dont need to save start from here
loaded_model.load_weights("model.h5")    
# compile loaded model with certain specifications
sgd = SGD(lr=0.01)
loaded_model.compile(loss="binary_crossentropy", optimizer=sgd, metrics=["accuracy"])

然后，使用loaded_module，您可以继续预测某些输入的分类，如下所示：

prediction = loaded_model.predict(some_input, batch_size=20, verbose=0)

这将返回该输入的分类。

关于附带问题：

1. CTC 似乎是他们在您引用的论文中定义的一个术语，从中摘录如下：

在下文中，我们提到标签的任务 分段数据序列为 时间分类 (Kadous, 2002)，以及我们为此目的使用 RNN 冒充 联结主义时间分类 (CTC)。

1. 要补偿文档、图像或类似文件的旋转，您可以通过应用此类转换从当前数据生成更多数据（查看this 博客文章，其中解释了一种方法），或者您可以使用Convolutional Neural Network 方法，这实际上也是您使用的Keras 示例所做的，正如我们从git 中看到的那样：

此示例使用 卷积 堆栈，后跟循环堆栈 和一个 CTC logloss 函数来执行光学字符识别 生成的文本图像。

您可以查看this 教程，该教程与您正在做的事情相关，并且他们还解释了有关卷积神经网络的更多信息。

1. 好吧，这是一个广泛的问题，但要检测线条，您可以使用 Hough Line Transform 或 Canny Edge Detection 可能是不错的选择。

编辑：您得到的错误是因为预期更多参数而不是 1，从 keras docs 我们可以看到：

predict(self, x, batch_size=32, verbose=0)

引发 ValueError：如果提供的输入数据与模型的预期不匹配，或者有状态模型接收到的样本数量不是批量大小的倍数。

Answer 4

您好，您也可以查看我的github repo。您需要针对要执行 ocr 的图像类型训练模型。

# USE GOOGLE COLAB
import matplotlib.pyplot as plt
import keras_ocr

images = [keras_ocr.tools.read("/content/sample_data/IMG_20200224_113657.jpg")] #Image path
pipeline = keras_ocr.pipeline.Pipeline()
prediction = pipeline.recognize(images)
x_max = 0
temp_str = ""
myfile = open("/content/sample_data/my_file.txt", "a+")#Text File Path to save text

for i in prediction[0]:
    x_max_local = i[1][:, 0].max()
    if x_max_local > x_max:
        x_max = x_max_local
        temp_str = temp_str + " " + i[0].ljust(15)
    else:
        x_max = 0
        temp_str = temp_str + "\n"
        myfile.write(temp_str)
        print(temp_str)
        temp_str = ""
myfile.close()