モチベーション
とある事情から複数の言語でOCRしてみようと思ったのですが、どうも自由に使えそうなデータセットがなく、自作する必要が出てきたのでスクリプトを組みました。
使ったもの
Pythonの画像処理ライブラリである Pillow(PIL) を使います。
http://pillow.readthedocs.org/en/3.0.x/index.html
生成する画像
1文字につき1画像を生成します。
スクリプト
生成部分本体のコードは以下の通りです。
from PIL import Image
from PIL import ImageDraw
from PIL import ImageFont
def generate_char_img(char, fontname='Osaka', size=(64, 64)):
img=Image.new('L', size, 'white')
draw = ImageDraw.Draw(img)
fontsize = int(size[0]*0.8)
font = ImageFont.truetype(fontname, fontsize)
# adjust charactor position.
char_displaysize = font.getsize(char)
offset = tuple((si-sc)//2 for si, sc in zip(size, char_displaysize))
assert all(o>=0 for o in offset)
# adjust offset, half value is right size for height axis.
draw.text((offset[0], offset[1]//2), char, font=font, fill='#000')
return img
def save_img(img, filepath):
img.save(filepath, 'png')
gistには実行コード全体を置いときました。
https://gist.github.com/lazykyama/dabe526246d60fa937d1
（2015/10/18 23:47追記：Image.save()の仕様か、アルファベット大文字小文字のファイル名が区別されないようなので少し修正しています。ご注意ください。）
なお、各言語ごとに文字リストを生成するには以下のようにすればOKです。
英語（アルファベット大文字小文字＋数字）
eng_char_list = list(string.digits+string.ascii_letters)
( stringモジュールのリファレンス → http://docs.python.jp/3.3/library/string.html )
日本語
頑張って適当にWikipediaとかから文字を抜いてきましょう。
他の言語
(ﾟ⊿ﾟ)ｼﾗﾈ
注意
- フォント名は、実際の
*.ttfファイルの名前を指定する必要があるので注意- 情弱ゆえ見事にハマった次第