介紹
在目前的光學字元辨識（OCR）領域的研究中，模型的準確度取決於資料集的品質和多樣性。
在此，我們列舉幾個現行研究面臨的問題：
- 資料量不足：現有的資料集規模有限，無法涵蓋所有可能的情境和樣本。
- 類別不平衡：某些類別的樣本過少，長尾分布的情況嚴重。
- 缺乏多樣性：現有資料集中的樣本過於單一，無法涵蓋現實世界中的多樣情境。
- 合成資料與真實資料差異：合成資料集與真實應用場景中的資料存在差異。
此外，比起只有數十個至數百個拉丁字母來說，漢字的數量根本就是個災難。（喂！放尊重點！）
在中文 OCR 的研究中，除了得面臨上述問題外，還衍生出更多獨特的困難點：
字元多樣性與數量
中文包含數千個常用字，和近十萬個生僻字。且從常用到生僻的字的分布非常不均。
近十萬？你是不是在唬我？
這個數字是根據：維基百科 Unicode 擴充漢字 的資料統計而來。目前大約有九萬多個漢字，並且持續增加中。
複雜的字形結構及語意依賴
漢字由多個筆劃組成，筆劃的形狀和排列方式多變，很多相似字只能通過上下文來區分。
例如：(口，囗)、(日，曰)、(木，朩) 等。
書寫風格
書寫風造成的困難不限於單一文字，每種文字都可以衍生出大量相異的字型。但在漢字的龐大基數下，不同的字體和書寫風格（如楷書、行書、草書等）會進一步增加辨識的難度。
豎排文本和混排問題
中文經常出現豎排文本，特別是在傳統文化相關的應用場景中更是如此。此外，中英文混排也是常見情況，這些都給文字的定位和辨識帶來額外挑戰。
標註資源有限
高品質的資料集需要大量精準的標註，但這既耗時又昂貴。
先不說找不到素材的問題，就算找到了，標註人員根本也不認得那些生僻字。
目標
本專案的目標是解決上述問題。
好吧，問題太大，至少我們可以先解決一部分。
＊
我們透過合成資料的方式，生成大量多樣性的中文文字圖像，以應對資料量不足、類別不平衡、缺乏多樣性等問題。
對此我們參考了一些現有的文字合成工具，詳細資料請參考：
他們的設計方式帶給了我們很多啟發，讓我們決定從零開始創建了一個新的文字圖像生成器。
其中，我們的生成模組不是基於一個預定義的文字編碼表，而是基於字型。
也就是說，我們可以生成任何字型的文字圖像，並且支援多種文字方向、對齊方式、文字長度、文字顏色、背景顏色等設定。
- 只要你找得到字型，我們就能用來生成圖像。
設計理念
在設計上，我們考慮過「函數導向設計」還是「物件導向設計」的方式。
最後我們選擇了後者，因爲不管怎麼選，你都會覺得很難用。（？？？）
事實上，大量的可選參數都會對使用者造成困擾，而物件導向的設計可以更好地將這些參數組織起來，對此我們設計了一個儀表版（如下圖），希望你可以像是駕駛汽車一樣，透過儀表板來了解目前的設定，並且進行調整。
＊
整體而言，我們在這個專案中，完成了幾項功能：
- 儀表板：了解目前的設定和調整。
- 圖像生成：生成多樣的文字圖像。
- 輸出對齊：支援四種對齊方式。
- 輸出方向：支援水平和垂直兩種輸出方向。
- 壓扁文字：支援壓扁文字功能。
- 標準化輸出大小：支援輸出圖像的標準化大小。
- 隨機字體：支援隨機選擇字體。
- 隨機文字：支援隨機選擇文字。
- 隨機文字長度：支援隨機選擇文字長度。
- 隨機文字顏色：支援隨機選擇文字顏色。
- 隨機背景顏色：支援隨機選擇背景顏色。
- 隨機文字方向：支援隨機選擇文字方向。
- 隨機對齊方式：支援隨機選擇對齊方式。
- 隨機最小文字長度：支援指定最小文字長度。
- 隨機最大文字長度：支援指定最大文字長度。
最後
如果你還有其他需求，歡迎在下方留言。
緣分到了，我們會依照你的需求加入新功能。