CASIA-HWDB脱机手写汉字数据集以及申请表下载

中科院好像把这个数据集从官网上撤掉了？我真的找遍全网，总算是找到了这个数据集，现在分享给大家。共六个文件，分别是CASIA-HWDB1.0训练集和测试集、CASIA-HWDB1.1训练集和测试集、CASIA-Competition数据集还有一张申请表。不过我看大多数人都是把前四个文件合并起来当做训练集，用Competition那个做测试集的。【注：2019年春节期间数据集的官网打不开，现在已经可以正常访问了】

下载链接：https://pan.baidu.com/s/1jyeo97h_PhWsFS4ngakwbw

还缺一个CASIA-HWDB1.2的数据集，是与之前的数据集类别不重合的，我没找到，要是谁有这个数据就在下边评论吧，谢谢！

顺便一提，CASIA-HWDB的官网可以用网页快照打开，猜一下原始的下载链接，挂在迅雷会员里是可以下载的，不过我发现下载界面是真的只有1.0和1.1，并没有提供1.2的下载，好奇怪呀......可能只能申请吧。
地址：http://web.archive.org/web/20180621154922/http://www.nlpr.ia.ac.cn/databases/handwriting/Download.html

我还写了个Reader类，可以方便地读取gnt文件，并转换为image-label对，欢迎使用。

import struct
from codecs import decode
from scipy.misc import toimage
import numpy as np
import PIL.ImageOps


class Reader:
    def load_gnt_file(self, filename):
        """
        Load characters and images from a given GNT file.
        :param filename: The file path to load.
        :return: (image: Pillow.Image.Image, character) tuples
        """
        with open(filename, "rb") as f:
            while True:
                packed_length = f.read(4)
                if packed_length == b'':
                    break
                length = struct.unpack("<I", packed_length)[0]
                raw_label = struct.unpack(">cc", f.read(2))
                width = struct.unpack("<H", f.read(2))[0]
                height = struct.unpack("<H", f.read(2))[0]
                photo_bytes = struct.unpack("{}B".format(height * width), f.read(height * width))
                label = decode(raw_label[0] + raw_label[1], encoding="gb2312")
                image = toimage(np.array(photo_bytes).reshape(height, width))

                yield image, label

    def read_gnt_image(self, path):
        data = self.load_gnt_file(path)
        data_list = []
        while True:
            try:
                image, label = next(data)
                image = image.resize((32, 32))  # 图像缩放，根据自己的需求修改
                image = PIL.ImageOps.invert(image)  # 图像反色，根据自己的需求修改
                data_list.append((image, label))
            except StopIteration:
                break
        return data_list

大概这样使用

import os
reader = Reader()
dirs = ['database/HWDB1.1/', 'database/HWDB1.0/']  # 改成你的目录
data_list = []

for dir_path in dirs:
    files = os.listdir(dir_path)
    length = len(files)
    for index, file in enumerate(files):
        file_path = dir_path + file
        data_list.extend(reader.read_gnt_image(file_path))
        sys.stdout.write('\r>> Dealing gnt file %d/%d' % (index, length))
        sys.stdout.flush()
sys.stdout.write('\n')
print(len(data_list))

最后编辑于：2020.03.28 11:59:37