【OCR炼丹】解析CASIA数据集OLHWDB部分Python版完整代码

最新推荐文章于 2025-05-07 14:41:41 发布

原创

最新推荐文章于 2025-05-07 14:41:41 发布 · 3k 阅读

5 ·

CC 4.0 BY-SA版权

文章标签：

#Python #OCR #联机手写体数据集 #CASIA #OLHWDB

本文介绍了如何解析CASIA在线手写体数据集OLHWDB，详细讲解了与HIT-OR3C数据集的不同之处，并提供了一段完整的Python解析代码，该代码基于POTView的C++源码思路，能处理样本中笔画的采样点，自动生成样本的长宽。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

上一篇记录了HIT-OR3C联机数据的解析代码，由于OLHWDB不同于HIT-OR3C，其在采集联机手写体数据时就没有按照固定size去采集（HIT-OR3C保存的坐标是转换后相对128*128大小画布的相对坐标），而是一个绝对坐标（解析的第一个sample的y就有6000多，以为搞错了就扔一边了）

这周重新打开仔细研究了下官方POTView的C++源码，终于是把CASIA的OLHWDB数据解析出来了！

由于OLHWDB记录的是sample各个笔画的采样点，所以并没有记录sample的长宽，需要自己去初始化一个画布，然后把采样点描回去，所以借鉴了POTView的trajDisp的思路写了个Python版的解析代码（修改了一个点是计算xmin, ymin, xmax, ymax部分，按照源码的逻辑出现了bug）

Python版解析完整代码：

import os
import os.path as osp
import numpy as np
import cv2
from PIL import Image
import struct
from tqdm import tqdm
import pickle


dataset_name = 'OLHWDB1.0'
root = osp.join('/Users/wangnu/Documents/dataset/CASIA/', dataset_name)
train_dir = osp.join(root, dataset_name+'trn_pot')
test_dir = osp.join(root, dataset_name+'tst_pot')
train_dataset = os.listdir(train_dir)
test_dataset = os.listdi