基于Python实现的手写数字图像识别

目录
实验目的及实验内容 1
实验目的： 1
实验内容： 1
原理分析： 1
实验环境 13
实验步骤及实验过程分析 13
实验结果总结 18
实验目的及实验内容
（本次实验所涉及并要求掌握的知识；实验内容；必要的原理分析）
实验目的：
使用 python 进行图像处理
实验内容：
自己找一张图片，用 OpenCV 的仿射变换实现图片缩放。
理解 HOG、ORC 过程，修改 digits.py 或独立编程，实现数字图像的识别，要求分别使用 SVM、knn（第六次课）以及 cnn 神经网络模型（第七次课），以群文件中 digit_data.rar 中 train 文件夹下数据作为训练集，test 文件夹下图片作为测试集，并计算测试集上分类正确率，本文转载自http://www.biyezuopin.vip/onews.asp?id=16706并自己找测试数据（可以是一个或多个数字）。
实验环境
（本次实验所使用的器件、仪器设备等的情况）
处理器：Intel® Core™ i5-9300H CPU @ 2.40GHz 2.40 GHz (2)操作系统环境：Windows 10 家庭中文版 x64 19042.867
编程语言：Python 3.8
其他环境：16 GB 运行内存
IDE 及包管理器：JetBrains PyCharm 2020.1 x64， anaconda 3 for Windows（conda 4.9.0）
实验步骤及实验过程分析
（详细记录实验过程中发生的故障和问题，进行故障分析，说明故障排除的过程及方法。根据具体实验，记录、整理相应的数据表格、绘制曲线、波形等）
说明：
本篇实验报告所记录的内容仅为写报告时（2021/05/12）的情况，可能与实际实验时/04/28）结果有出入。
一切以实际运行时所得到的结果为准。
用 OpenCV 的仿射变换实现图片缩放：

import numpy as np
import torch
from torch import nn
import torch.nn.functional as F
import pickle
from utils import label_2_id, id_2_label
from torch.utils.data import TensorDataset, DataLoader
import matplotlib.pyplot as plt
import cv2 as cv
import osclass CnnImage(object):def __init__(self, data_dir='../digit_data', save_dir='./data', batch_size=64,epochs=50, learning_rate=0.0005, use_gpu=False):self.data_dir = data_dirself.mode = 'train'self.save_dir = save_dirself.batch_size = batch_sizeif not use_gpu:self.device = torch.device("cpu")print('use device: cpu')else:self.device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")if self.device == torch.device("cpu"):print('no usable cuda detected! Use cpu instead')else:print('use device: gpu')self.epochs = epochsself.lr = learning_rateself.loss_ = []if not os.path.exists(self.save_dir):os.mkdir(self.save_dir)self.model = nn.Sequential(nn.Conv2d(1, 25, 3, 1),nn.MaxPool2d(2, 2),nn.Conv2d(25, 50, 3, 1),nn.MaxPool2d(2, 2),nn.Flatten(),nn.Linear(50 * 5 * 5, 10))self.model.to(self.device)self.optimizer = torch.optim.Adam(self.model.parameters(), lr=self.lr)def train(self, train_loader, test_loader, save=True):best_test = Nonetmp_loss = []best_model = self.modelfor epoch in range(self.epochs):for batch, label in train_loader:y_predict = self.model(batch)loss = F.cross_entropy(y_predict, label)tmp_loss.append(loss.item())loss.backward()self.optimizer.step()self.optimizer.zero_grad()self.loss_.append(sum(tmp_loss)/len(tmp_loss))correct_percent = 0error_num = 0with torch.no_grad():for batch, label in test_loader:y_predict = self.model(batch)top_p, top_class = torch.topk(y_predict, 1)top_class = top_class.squeeze(1)correct_percent += torch.sum(label == top_class).item()error_num += torch.sum(label != top_class).item()correct_percent /= len(test_loader) * self.batch_sizeif best_test is None or best_test < correct_percent:best_test = correct_percentbest_model = self.modelself.model = best_modelif save:tar = self.save_dir + '/' + 'model_cnn.pkl'with open(tar, 'wb') as f:pickle.dump(self.model, f)print('model saved successfully, see it in: ', tar)print('训练出的最好的模型在测试集上的正确率: ' + str(best_test))def load_model(self):tar = self.save_dir + '/' + 'model_cnn.pkl'with open(tar, 'rb') as f:self.model = pickle.load(f)print('model loaded successfully!')def predict(self, path):if os.path.isdir(path):files = os.listdir(path)else:print('no files detected!')return Nonex = []y = []for item in files:file = path + '/' + itemimg = cv.imread(file, 0)  # 读灰度图re_shape = cv.resize(img, (28, 28), interpolation=cv.INTER_CUBIC)# shape: (28, 28), size of the reshaped imagex.append(re_shape)y.append(0)x_set = np.array(x)# array, shape:(n, 28, 28)y_set = np.array(y)# array, shape:(n,)x_tens = torch.tensor(x_set, dtype=torch.float).unsqueeze(1).to(self.device)y_tens = torch.tensor(y_set, dtype=torch.long).to(self.device)# x_tens: torch.Tensor, torch.Size([n, 1, 28, 28])# y_tens: torch.Tensor, torch.Size([n])sets = TensorDataset(x_tens, y_tens)loader = DataLoader(sets, self.batch_size, True)with torch.no_grad():for batch, label in loader:y_predict = self.model(batch)top_p, top_class = torch.topk(y_predict, 1)top_class = top_class.squeeze(1)return top_class.cpu().tolist()  # 返回的结果在CPU上， 是个列表def set_data(self, save=True):sets = self.save_dir + '/sets.pkl'if os.path.exists(sets):with open(sets, 'rb') as f:loader = pickle.load(f)train_loader = loader[0]test_loader = loader[1]print('dataset loaded successfully!')else:self.mode = 'train'train_dataset = self.dataset()train_loader = DataLoader(train_dataset, self.batch_size, True)self.mode = 'test'test_dataset = self.dataset()test_loader = DataLoader(test_dataset, self.batch_size, True)print('dataset built successfully!')if save:loader = (train_loader, test_loader)with open(sets, 'wb') as f:pickle.dump(loader, f)print('dataset saved in: ', sets)return train_loader, test_loaderdef dataset(self):path = self.data_dir + '/' + self.modelabels = os.listdir(path)x = []y = []for label in labels:img_path = path + '/' + labelfiles = os.listdir(img_path)for item in files:file = img_path + '/' + itemimg = cv.imread(file, 0)  # 读灰度图# shape: (28, 28), size of the imagex.append(img)y.append(label_2_id[label])x_set = np.array(x)# array, shape:(n, 28, 28)x_tens = torch.tensor(x_set, dtype=torch.float).unsqueeze(1).to(self.device)# torch.Tensor, torch.Size([n, 1, 28, 28])y_set = np.array(y)# array, shape:(n,)y_tens = torch.tensor(y_set, dtype=torch.long).to(self.device)# torch.Tensor, torch.Size([n])sets = TensorDataset(x_tens, y_tens)return setsdef train_():epochs = 100cnn = CnnImage(data_dir='../digit_data', save_dir='./data', batch_size=64,use_gpu=True, epochs=epochs, learning_rate=0.0005)train_loader, test_loader = cnn.set_data(save=True)cnn.train(train_loader=train_loader, test_loader=test_loader, save=True)loss = cnn.loss_plt.rcParams['font.sans-serif'] = ['SimHei']plt.rcParams['axes.unicode_minus'] = Falsefig = plt.figure()ax = fig.add_subplot(1, 1, 1)ax.set_title('epoch - loss')ax.set_xlabel('epoch')ax.set_ylabel('loss')x_axis = [i for i in range(len(loss))]plt.plot(x_axis, loss)plt.show()def test():cnn = CnnImage(data_dir='../digit_data', save_dir='./data', batch_size=64,use_gpu=True)cnn.load_model()test_path = 'testimg'pre = cnn.predict(test_path)if pre is None:returnelse:files = os.listdir(test_path)for i in range(len(files)):res = files[i] + ' 的预测结果为: ' + str(pre[i])print(res)if __name__ == '__main__':train_()test()

基于Python实现的手写数字图像识别相关推荐

基于人工智能方法的手写数字图像识别_【工程分析】基于ResNet的手写数字识别...
ねぇ呐私に気付いてよ快点注意到我吧もうそんな事那种事一定望んでも再去奢求しょうがないだろ也无可奈何吧 --真野あゆみ<Bipolar emotion>(作詞:Mits ...
基于深度学习的手写数字识别算法Python实现
摘要深度学习是传统机器学习下的一个分支,得益于近些年来计算机硬件计算能力质的飞跃,使得深度学习成为了当下热门之一.手写数字识别更是深度学习入门的经典案例,学习和理解其背后的原理对于深度学习的理解有 ...
Python基于深度学习的手写数字识别
Python基于深度学习的手写数字识别 1.代码的功能和运行方法 2. 网络设计 3.训练方法 4.实验结果分析 5.结论 1.代码的功能和运行方法代码可以实现任意数字0-9的识别,只需要将图片载入 ...
基于K近邻法的手写数字图像识别
数字图像处理课程论文题目:数字图像识别摘要模式识别(PatternRecognition)是一 ...
Python，OpenCV基于支持向量机SVM的手写数字OCR
Python,OpenCV基于支持向量机SVM的手写数字OCR 1. 效果图 2. SVM及原理 2. 源码 2.1 SVM的手写数字OCR 2.2 非线性SVM 参考上一节介绍了基于KNN的手写数 ...
基于深度学习的手写数字识别、python实现
基于深度学习的手写数字识别.python实现一.what is 深度学习二.加深层可以减少网络的参数数量三.深度学习的手写数字识别一.what is 深度学习深度学习是加深了层的深度神经网络 ...
Python徒手实现识别手写数字—图像识别算法(K最近邻)
Python徒手实现识别手写数字-图像识别算法(K最近邻) 写在前面这一段的内容可以说是最难的一部分之一了,因为是识别图像,所以涉及到的算法会相比之前的来说比较困难,所以我尽量会讲得清楚一点. 而且 ...
python opencv数字识别_基于模板匹配的手写数字识别(python+opencv)
智能计算课第一周的实验是做基于模板匹配的手写数字识别,光听见就很感兴趣,于是决定认真做做这个实验,本实验基于python3+opencv的python版本,所用到的知识都比较简单,基本上边学边做,技术 ...
【华为技术】【使用MoXing实现手写数字图像识别应用】【TensorFlow】
原贴文章:https://bbs.huaweicloud.com/forum/thread-8533-1-1.html 在测试中如果遇到什么问题,欢迎大家到原贴下提问回复. 本文介绍在华为云深度学习服 ...

基于Python实现的手写数字图像识别

基于Python实现的手写数字图像识别相关推荐

最新文章

热门文章