基于图像视觉词汇的文本分类方法(完整项目)
一年多以前我脑子一热，想做一款移动应用：一款给学生朋友用的“错题集”应用，可以将错题拍照，记录图像的同时，还能自动分类。比如拍个题目，应用会把它自动分类为"物理/力学/曲线运动"。当然，这个项目其实不靠谱，市场上已经有太多“搜题”类应用了。但过程很有趣，导致我过了一年多，清理磁盘垃圾时，还舍不得删掉这个项目的“成果”。
这个项目，核心要解决的问题就是文本分类。所以最初想到的方案是先 OCR 图片转文本，然后分词，再计算 tf-idf，最后用 SVM 分类。但这个方案的问题是：开源 OCR 普遍需要自己训练，且需要做大量的优化、调校和训练，才能在中文识别上有不错的效果，加上图像上还会有公式、几何图形，这些特征也会决定分类，这又提高了对 OCR 的要求。所以我最终选择的方案是，不使用 OCR，而是直接从图像中寻找有区分性的、鲁棒的特征，作为视觉词汇。之后再通过传统文本分类的方法，训练分类器。 下面将展示整个训练过程，训练的样本来自《2016 B版 5年高考3年模拟:高考理数》，并手工标注了14个分类，每个分类下约50个样本，每个样本为一个题目, 图像为手机拍摄。
本文中大部分算法库来自numpy、scipy、opencv、skimage、sklearn。
- 预处理
为了获取到稳定的特征，我们需要对图像进行预处理，包括调整图像大小，将图像缩放到合适尺寸；旋转图像，或者说调整成水平；二值化，去除色彩信息，产生黑白图像。
1.1. 调整图像大小
调整的目的是为了让图像中文字的尺寸保持大致相同的像素尺寸。这里做了一个简单假设，即：图像基本是一段完整的文本，比如一个段落，或者一页文档，那么不同的图像中，每行文本的字数相差不会很大。这样我就可以从我所了解的、少得可怜的图像工具库里找到一个工具了：直线拟合。即通过拟合的直线(线段)长度与图像宽度的比例，调整图像的大小。下图为两张不同尺寸图像，经过多次拟合+调整大小后的结果，其中红色算法检查到的直线(线段)。
下面是使用 opencv 直线拟合的代码：
# Canny算法提取边缘特征, image是256灰度图像
image = cv2.Canny(image, 50, 200)
# 霍夫线变换提取直线
lines = cv2.HoughLinesP(image, 2, math.pi / 180.0, 40, numpy.array([]), 50, 10)[0]1.2. 图像二值化
二值算法选用skimage.filters.threshold_adaptive（局部自适应阀值的二值化）, 试下来针对这种场景，这个算法效果最好，其他算法可以去scikit-image文档了解。下图为全局阀值和局部自适应阀值的效果对比：
相关代码如下:
# 全局自适应阀值binary_global = image > threshold_otsu(image)
binary_global = numpy.array(binary_global, 'uint8') * 255
binary_global = cv2.bitwise_not(binary_global)
#反转黑白# 局部自适应阀值
adaptive = threshold_adaptive(image, 41, offset=10)
adaptive = numpy.array(adaptive, 'uint8') * 255
adaptive = cv2.bitwise_not(adaptive)
#反转黑白1.3. 旋转图像
从第一步获取到的直线，可以计算出图像的倾斜角度，针对只是轻微倾斜的图像，可以反向旋转进行调整。由于可能存在干扰线条，所以这里取所有直线倾斜角度的中值比平均值更合适。下图展示了图像旋转跳转前后的效果：
相关代码如下：
# 先计算所有线条的角度angles = []for line in lines:
x = (line[2] - line[0])
y = (line[3] - line[1])
xy = (x ** 2 + y ** 2) ** 0.5
if 0 == xy: continue
sin = y / xy
angle = numpy.arcsin(sin) * 360. / 2. / numpy.pi
angles += [angle] # 计算中值
angle = numpy.median(angles)
# 旋转图像
image = ndimage.rotate(image, angle)2. 提取特征
这里的思路是，首先通过形态学处理，可以分割出文本行（的图像），再从文本行中分割出词汇（的图像），然后从"词汇"中提取特征。但这里的需要克服的困难是：
- 很多汉字分左右部，容易被错分，比如
你好, 可能被分割成以4块图像：亻、尔、女、子。 - 独立的“字”并不适合于文本分类，还需能学习出词汇。
针对以上问题的解决方案是：
- 将小的图像块进行组合，组合后的新图像块和原来的小块图像一起作为原始图像的特征，如
你好将得到10个特征：亻、你、你女，你好，尔、尔女、尔好、女、好、子。 - 得益于上面的方案，词汇信息也被保留了下来，所以第二个问题也就解决了，同时增加了算法的鲁棒性。
下面将介绍具体实现。
2.1. 提取文本行
由于预处理过程中已经将样本的图像尺寸基本调整一致，所以可以比较容易的利用形态学的处理方法，分割出文本行。过程如下：
# cv2.Canny 可提取边缘，并去除噪点# image为调整过大小，但没有调整水平和二值化的图像
# 二值化后会影响 cv2.Canny 算法效果，所以这里用还没有二值化的图片
image = cv2.Canny(image, 100, 200)
# 二值化后调整水平image = ndimage.rotate(image, slope)
# 进行四次膨胀和腐蚀操作# 水平方向膨胀和腐蚀，联通字与字之间的空间
# 垂直方向做较小的膨胀和腐蚀，填补行内的空隙
image = cv2.dilate(image, cv2.getStructuringElement(cv2.MORPH_RECT, (40, 3)))
image = cv2.erode(image, cv2.getStructuringElement(cv2.MORPH_RECT, (40, 3)))
image = cv2.erode(image, cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5)))
image = cv2.dilate(image, cv2.getStructuringElement(cv2.MORPH_RECT, (6, 5)))下图展示了每一步的变化：
接下来可以利用scipy库中的measurements.label方法，标记出不同的的区域，下图展示了标注后的效果，不同区域以不同的灰度表示。
相关代码如下:
# image 为上一步形态学处理后的图像
image = 1 * (image > 64)
# 只保留灰度>64的区域，可以去除一些躁点
labeled, count = measurements.label(image)
# labeled为一个和图像尺寸一致的矩阵，矩阵中每个元素的值即这个像素位置所属的区域索引
# count为区域数量figure()
gray()
imshow(labeled)
show()接下来根据标记的区域，可从图像中裁剪出每行的数据，如下图：
相关代码如下：
def bounding_box(src):
'''
矩阵中非零元素的边框
'''
B = numpy.argwhere(src) if B.size == 0: return [0, 0, 0, 0]
(ystart, xstart), (ystop, xstop) = B.min(0), B.max(0) + 1
return [xstart, ystart, xstop - xstart, ystop - ystart] def clip_lines(image, labeled, count)
lines = [] for i in range(1, count + 1):
temp = image.copy()
temp[labeled != i] = 0
box = bounding_box(temp)
x, y, w, h = box
data = temp[y:y + h, x:x + w]
lines.append(data)
return lines2.2. 提取特征(视觉词汇)
裁剪出单行文本图像后，我们可以将图像中各列的像素的值各自累加，得到一个一纬数组，此数组中的每个局部最小值所在的位置，即为文字间的空隙。如下图所示，其中蓝色线为像素值的累加值，绿色线为其通过高斯滤波平滑后的效果，红色线为最终检测到的分割点。
详细过程见下面代码：
# 1. 将图像中每一列的所有像素的值累加orisum = image.sum(axis=0) / 255.0
# 2. 累加后的数组通过高斯滤波器做平滑处理，减少干扰
filtered = filters.gaussian_filter(orisum, 8)
# 3. 找出拐点(上升转下降、下降转上升的点)trend = False
# False 下降，True上升preval = 0
# 上一个值points = [] # 拐点pos = 0for i in filtered:
if preval != i:
if trend != (i > preval):
trend = (i > preval)
points += [[pos if pos == 0 else pos - 1, preval, orisum[pos]]]
pos = pos + 1
preval = i
# 4. 下降转上升的拐点即为分割点
... 代码略 ... 将单行的图像按上述方法获取的分割点进行裁剪，裁剪出单个字符，然后再把相邻的单个字符进行组合，得到最终的特征数据。组合相邻字符是为了使特征中保留词汇信息，同时增加鲁棒性。下图为最终获得的特征信息：
本文中使用的所有样本，最终能提取出约30万个特征。
2.3. 选择特征描述子
选择合适的特征描述子通常需要直觉+运气+不停的尝试（好吧我承认这里没有什么经验可分享），经过几次尝试，最终选中了HOG（方向梯度直方图）描述子。HOG 最让人熟悉的应用领域应该是行人检测了，它很适合描述钢性物体的边缘特征（方向），而印刷字体首先是刚性的，其次其关键信息都包含在边缘的方向上，所以理论上也适合用 HOG 描述。更多关于HOG的介绍请点击这里
https://link.jianshu.com/?t=http://scikit-image.org/docs/dev/auto_examples/features_detection/plot_hog.html#sphx-glr-auto-examples-features-detection-plot-hog-py
下图为文字图像及其 HOG 描述子的可视化：
代码如下：
# 提取边缘canny = cv2.Canny(numpy.uint8(img), 50, 200)
# 计算描特征描述子desc, hog_image = hog(
canny,
orientations=6,
pixels_per_cell=(4, 4),
cells_per_block=(2, 2),
visualise=True)3. 训练词汇分类器
对词汇进行人工标注工作量太大，所以最好能做到自动分类。我的做法是先聚类，再基于聚类的结果训练分类器。但有个问题，主流的聚类算法中，除了 K-Means 外，其他都不适合处理大量样本（目前有30万+样本），但 K-Means 在这个场景上聚类效果不佳，高频但不相关的词汇容易被聚成一类，而 DBSCAN 效果很好，但样本数一多，所需时间几何级增长（在我的机器上，超过两万个样本就需要耗费数个小时）。下图来自sklearn 文档，对各聚类算法做了比较：
2017/09/21 修改：原此处选择的聚类方法（即先使用先用 K-Means 做较少的分类然后对每个分类单独使用 DBSCAN 聚类并单独训练 SVC 分类器），准确率保持在70%左右，很难提高，故改用了下面描述的新方法。
为解决这一问题，我的做法是： 1. 先对每类样本下的词汇用 DBSCAN 聚类（约1万个词汇样本），得到一级分类。 2. 聚类后，计算每个一级分类的中心，然后以所有中心为样本再用DBSCAN聚类，得到二级分类。完成后，原一级分类中心的新分类，即代表其原一级分类下所有元素的分类。
聚类的过程为，使用前面提取的 HOG 特征，先 PCA 降纬，再 DBSCAN 聚类。这里注意，计算二级分类时，PCA应使用全局样本计算。
分类器使用SGDClassifier，原因是其支持分批计算，不至于导致内存不足。
本文中使用的样本，最终得到3000+词汇类型。下图为分类效果，其中每一行为一个分类：
4. 训练文本分类器
有了词汇分类器，我们终于可以识别出每个文本样本上所包含的词汇了（事实上前面步骤的中间过程也能得到每个样本的词汇信息），于是我们可以给每个样本计算一个词袋模型（即用每个词出现的次数表示一篇文本），再通过池袋模型计算TF-IDF模型（即用每个词的 TF*IDF 值表示一篇文本），并最终训练 SVM 分类器。下面展示了此过程的主要代码：
Fitting the classifier to the training set
done in 0.034s
score : 0.918639053254Predicting on the test set
done in 0.004s
precision recall f1-score support
物理-电学-静电场 1.00 0.67 0.80 3
物理-力学-互相作用 0.56 1.00 0.71 5
物理-机械振动和机械波 0.83 1.00 0.91 5
物理-电学-电磁感应 0.71 1.00 0.83 5
物理-电学-恒定电流 1.00 1.00 1.00 5
物理-力学-曲线运动 0.88 0.78 0.82 9
物理-机械能及其守恒定律 0.62 0.56 0.59 9
物理-光学 1.00 0.50 0.67
2物理-力学-万有引力与航天 1.00 0.75 0.86 4
物理-力学-牛顿运动定律 0.62 0.71 0.67 7
物理-电学-交变电流 1.00 1.00 1.00 1
物理-电学-磁场 1.00 0.25 0.40 4
物理-热学 1.00 1.00 1.00
2物理-力学-质点的直线运动 0.86 0.86 0.86 7
avg / total 0.81 0.78 0.77 68
[[2 0 0 0 0 0 1 0 0 0 0 0 0 0]
[0 5 0 0 0 0 0 0 0 0 0 0 0 0]
[0 0 5 0 0 0 0 0 0 0 0 0 0 0]
[0 0 0 5 0 0 0 0 0 0 0 0 0 0]
[0 0 0 0 5 0 0 0 0 0 0 0 0 0]
[0 1 0 0 0 7 0 0 0 0 0 0 0 1]
[0 2 0 0 0 1 5 0 0 1 0 0 0 0]
[0 0 0 0 0 0 0 1 0 1 0 0 0 0]
[0 0 0 0 0 0 1 0 3 0 0 0 0 0]
[0 1 0 0 0 0 1 0 0 5 0 0 0 0]
[0 0 0 0 0 0 0 0 0 0 1 0 0 0]
[0 0 0 2 0 0 0 0 0 1 0 1 0 0]
[0 0 0 0 0 0 0 0 0 0 0 0 2 0]
[0 0 1 0 0 0 0 0 0 0 0 0 0 6]]测试集上正确率 81%，召回率 78%。个别分类正确率较低，可能是因为样本数太少，另外训练过程大多使用默认参数，若进行细致调校，应该还有提高空间。
https://www.jianshu.com/p/f774e273a883
腾讯云开发者
