手写数字识别

功能概述

微信机器人接收到的手写数字图片，传送给已经经过机器学习训练过的knn分类器，进行预测，输出数字结果。

实现步骤

将手写数字图片转变为32*32的矩阵
因为机器学习的训练数据集是DBRHD数据集(训练数据集已上传到我的资料可以自行下载)，图片均归一化为以数字为中心的32*32规格的矩阵：空白区域用0表示，字迹部分用1表示。所以首先就需要将手写数字图片转换成文本形式。
ps：DBRHD数据集我已上传到我的资源

from PIL import Image
import matplotlib.pylab as plt
import numpy as npdef picTo01(filename):"""将图片转化为32*32像素的文件，用0 1表示:param filename::return:"""# 打开图片img = Image.open(filename).convert('RGBA')# 得到图片的像素值raw_data = img.load()# 将其降噪并转化为黑白两色for y in range(img.size[1]):for x in range(img.size[0]):if raw_data[x, y][0] < 90:raw_data[x, y] = (0, 0, 0, 255)for y in range(img.size[1]):for x in range(img.size[0]):if raw_data[x, y][1] < 136:raw_data[x, y] = (0, 0, 0, 255)for y in range(img.size[1]):for x in range(img.size[0]):if raw_data[x, y][2] > 0:raw_data[x, y] = (255, 255, 255, 255)# 设置为32*32的大小img = img.resize((32, 32), Image.LANCZOS)# 进行保存，方便查看img.save('test.png')# 得到像素数组，为(32,32,4)array = plt.array(img)# 按照公式将其转为01, 公式： 0.299 * R + 0.587 * G + 0.114 * Bgray_array = np.zeros((32, 32))# 行数for x in range(array.shape[0]):# 列数for y in range(array.shape[1]):# 计算灰度，若为255则白色，数值越小越接近黑色gary = 0.299 * array[x][y][0] + 0.587 * array[x][y][1] + 0.114 * array[x][y][2]# 设置一个阙值，记为0if gary == 255:gray_array[x][y] = 0else:# 否则认为是黑色，记为1gray_array[x][y] = 1# 得到对应名称的txt文件name01 = filename.split('.')[0]name01 = name01 + '.txt'# 保存到文件中np.savetxt(name01, gray_array, fmt='%d', delimiter='')if __name__ == '__main__':picTo01('picture.jpg')

手写数字识别代码编写
KNN的输入是图片矩阵展开的1024维向量；输出是一个数字。
KNN手写数字识别实体构建
1.建立工程并导入sklearn包
2.加载训练数据
3.构建knn分类器
4.测试集评价
5.进行预测
6.将预测结果写入txt文件

# -*- coding: utf-8 -*-
"""
Created on Sat Aug  3 16:24:13 2019@author: 53592
"""import numpy as np
from os import listdir
from sklearn import neighbors#将32*32的图片转换为1*1024的向量
def img2vector(filename):retMat = np.zeros([1024],int)fr = open(filename)lines = fr.readlines()for i in range(32):for j in range(32):retMat[32*i+j] = lines[i][j]return retMat#加载训练数据
def readDataSet(path):fileList = listdir(path)numFiles = len(fileList)dataSet = np.zeros([numFiles,1024],int)hwLabels = np.zeros([numFiles])for i in range(numFiles):filePath = fileList[i]digit = int(filePath.split('_')[0])hwLabels[i] = digitdataSet[i] = img2vector(path+'/'+filePath)return dataSet,hwLabelstrain_dataSet,train_hwLabels = readDataSet('trainingDigits')
test_dataSet,test_hwLabels = readDataSet('testDigits')knn = neighbors.KNeighborsClassifier(algorithm='kd_tree',n_neighbors=3)
knn.fit(train_dataSet,train_hwLabels)
res = knn.predict(test_dataSet)
num = len(test_dataSet)
error_num = np.sum(res != test_hwLabels)
correct_num = np.sum(res == test_hwLabels)
print("Total num:",num,"Wrong num:",error_num,"WrongRate:",error_num/float(num),'correct_num:',correct_num,'CorrectRate:',correct_num/float(num))

微信机器人的实现
此处又用到了强大的wxpy
官方说明书：点此进入

from wxpy import *bot = Bot(cache_path=True)
client = bot.friends().search('friend')[0]
client.send("输入‘功能’，查看微信机器人功能")@bot.register()
def response_function(msg):
#机器人的功能介绍（待完善。。。）if(msg.text=='功能'):client.send("手写数字识别，请发送一张手写数字图片")@bot.register(client,msg_types=PICTURE)
def handdigit_recongnition(msg):client.send("手写数字识别中。。。")msg.get_file(save_path='D:\Python\digit.jpg')'''此时执行图片转换成矩阵的代码还要进行knn.predict()将预测结果写到文件digit.txt中'''with open("D:\\Python\\digit.txt",'r') as f:f.seek(0)b=f.read()f.close()#机器人回复预测结果client.send(b)embed()

结果展示

与微信机器人的对话

改进之处和TIPS

设置邻居数量可以对比预测准确率
设置交叉验证可以检测分类器的准确率
KNN算法只是方法之一，还可以利用神经网络进行识别，添加不同个数的神经元进行训练，最后预测。
由于神经网络对于小数据容易过拟合没所以准确率上面KNN大于MLP（多层感知机），MLP对于参数调整比较敏感，若参数不合理容易得到较差的分类结果，所以参数设计对于MLP至关重要。
微信机器人还可以进行其他有趣的功能，除了我之前写的微信实现远程控制，我后续还会发一些有趣的实例
代码分开了所以有的衔接我没放，给大家想象的空间，自己继续探索吧！

机器学习之KNN结合微信机器人实现手写数字识别终极API相关推荐

tensorflow saver_机器学习入门(6)：Tensorflow项目Mnist手写数字识别-分析详解
本文主要内容:Ubuntu下基于Tensorflow的Mnist手写数字识别的实现训练数据和测试数据资料:http://yann.lecun.com/exdb/mnist/ 前面环境都搭建好了,直接 ...
在OpenCV里使用机器学习库sklearn 实现手写数字识别1
前面学习过KNN的方式来实现手写数字识别,不过效果一般,那么有没有别的方法来试一试,或许可以改进一点呢.在本文里将要介绍使用SVM和HOG的方式来实现手写数字识别,比如最终结果如下图: 在这个例子里与 ...
机器学习入门-kNN算法实现手写数字识别
实验环境 Python:3.7.0 Anconda:3-5.3.1 64位操作系统:win10 开发工具:sublime text(非必要) 简介本次实验中的重点为采用kNN算法进行手写数字识别, ...
课程设计(毕业设计)—基于机器学习KNN算法手写数字识别系统—计算机专业课程设计(毕业设计)
机器学习KNN算法手写数字识别系统下载本文手写数字识别系统完整的代码和课设报告的链接(或者可以联系博主koukou(壹壹23七2五六98),获取源码和报告):https://download.csd ...
【python】机器学习算法(KNN)入门——手写数字识别
前言嗨喽~大家好呀,这里是魔王呐 ! 最近邻 (k Nearest Neighbors, KNN)算法是一种分类算法 1968年由Cover和Hart提出,应用场景有宁符识别.文本分类. 图像识别等 ...
模式识别和机器学习实战-K近邻算法（KNN）- Python实现 - 约会网站配对效果判断和手写数字识别
文章目录前言一. k-近邻算法(KNN) 1.算法介绍 2.举个例子--电影分类 3.步骤描述 4.来了--代码实现二.实战之约会网站配对效果判断 1.导入数据 2.分析数据 3.数据归一化 4 ...
2 机器学习 K近邻算法(KNN) 学习曲线交叉验证手写数字识别
机器学习 1 K-近邻算法介绍 1.1 分类问题分类问题:根据已知样本的某些特征,判断一个未知样本属于哪种样本类别. 与回归问题相比,分类问题的输出结果是离散值,用于指定输入的样本数据属于哪个类别. ...
kNN算法实现手写数字识别（机器学习）
提示:文章写完后,目录可以自动生成,如何生成可参考右边的帮助文档文章目录前言一.实验步骤二.实验过程 1.收集数据:提供文本文件 2.准备数据:将图像转换为测试向量 3.测试算法:使用k-近邻 ...
linux手写数字识别opencv,opencv实现KNN手写数字的识别
人工智能是当下很热门的话题,手写识别是一个典型的应用.为了进一步了解这个领域,我阅读了大量的论文,并借助opencv完成了对28x28的数字图片(预处理后的二值图像)的识别任务. 预处理一张图片: 首 ...

机器学习之KNN结合微信机器人实现手写数字识别终极API

机器学习之KNN结合微信机器人实现手写数字识别终极API

手写数字识别

功能概述

实现步骤

结果展示

改进之处和TIPS

机器学习之KNN结合微信机器人实现手写数字识别终极API相关推荐

最新文章

热门文章