基于opencv实现的手写数字识别

一、使用模板匹配算法

match.py：

import os
import Function

root_dir = "digits/train2"
file7_7 = open("digits/picture7_7.txt", 'w+')
for fl in os.listdir(root_dir):
img_str = fl[0:-4] + ":" + Function.image_compression(root_dir + '/' + fl)
file7_7.write(img_str + '\n')
file7_7.close()
file7_7 = open("digits/picture7_7.txt", 'r')
root_dir = "digits/test"
Correct_rate = [0, 0, 0, 0, 0, 0, 0, 0, 0, 0]
Error_rate = [0, 0, 0, 0, 0, 0, 0, 0, 0, 0]
Rejection_rate = [0, 0, 0, 0, 0, 0, 0, 0, 0, 0]

for fl in os.listdir(root_dir):
Same_dist_number = 0
Same_class = -1
min_dist = 7
dist_img = ""
test_img_str = Function.image_compression(root_dir + '/' + fl)
while True:
line = file7_7.readline()
if not line:
file7_7.seek(0)
break
train_str = line[-50:-1]
temp_dist = Function.distance(test_img_str, train_str)
if temp_dist < min_dist:
min_dist = temp_dist
dist_img = line[0:-51]
Same_dist_number = 0
Same_class = -1
elif temp_dist == min_dist:
Same_dist_number += 1
if dist_img[0:1] == line[0:1]:
Same_class = eval(line[0:1])
else:
Same_class = -1
if Same_dist_number == 0:
print("测试数字：", fl[0:-4], " -- 识别出来的结果：", dist_img)
if fl[0] == dist_img[0]:
Correct_rate[eval(fl[0])] += 1
else:
Error_rate[eval(fl[0])] += 1
elif Same_class == -1:
print("测试数字：", fl[0:-4], " -- 该数字拒绝识别!")
Rejection_rate[eval(fl[0])] += 1
else:
print("测试数字：", fl[0:-4], " -- 识别出来的结果(类)：", Same_class)
if eval(fl[0]) == Same_class:
Correct_rate[eval(fl[0])] += 1
else:
Error_rate[eval(fl[0])] += 1
file7_7.close()
print("------------------------------------------------")
for i in range(10):
print("数字 {:d} 识别的正确率 = {:.2f}% ，错误率 = {:.2f}% ，拒绝识别率 = {:.2f}%".format(i, Correct_rate[i] * 5, Error_rate[i] * 5,
Rejection_rate[i] * 5))
print("成功！")

Function.py:

import cv2

def image_compression(img_path):
img_str = ""
img = cv2.imread(img_path)
x = y = 0
for k in range(1, 50):
title_imf = 0
for i in range(4):
for j in range(4):
if img[x + i - 1][y + j - 1][0] > 127:
title_imf += 1
y = (y + 4) % 28
if title_imf >= 13:
img_str += '1'
else:
img_str += '0'
if k % 7 == 0:
x = x + 4
y = 0
return img_str

def distance(test_str, train_str):
len_str = len(train_str)
dist = 0.0
for i in range(len_str):
dist += (eval(test_str[i:i + 1]) - eval(train_str[i:i + 1])) ** 2
dist **= 0.5
return dist

二、k邻近算法实现

k.py

import os
import numpy as np
import Function2

def handwritingClassficationTest():
hwLabels = []
trainingFileList = os.listdir('digits/trainingDigits')
m = len(trainingFileList)
trainingMat = np.zeros((m, 1024))
for i in range(m):
fileNameStr = trainingFileList[i]
fileStr = fileNameStr.split('.')[0]
classNumStr = int(fileStr.split('_')[0])
hwLabels.append(classNumStr)
trainingMat[i, :] = Function2.img2vector('digits/trainingDigits/%s' % fileNameStr)
testFileList = os.listdir('digits/testDigits')
errorCount = 0.0
mTest = len(testFileList)
for i in range(mTest):
fileNameStr = testFileList[i]
fileStr = fileNameStr.split('.')[0]
classNumStr = int(fileStr.split('_')[0])
vectorUnderTest = Function2.img2vector('digits/testDigits/%s' % fileNameStr)
classifierResult = Function2.classify0(vectorUnderTest, trainingMat, hwLabels, 3)
print("测试出的数字是: %s, 正确的数字是: %s" % (classifierResult, classNumStr))
if (classifierResult[0] != classNumStr): errorCount += 1.0
print("\n 识别错误的个数是: %s" % errorCount)
print("\n 正确率为: %f" % (1 - errorCount / float(mTest)))

handwritingClassficationTest()

Function2.py:

from os import listdir
from numpy import *
import operator

def classify0(inX, dataSet, labels, k):
dataSetSize = dataSet.shape[0]

diffMat = tile(inX, (dataSetSize, 1)) - dataSet

sqDiffMat = diffMat ** 2
sqDistances = sqDiffMat.sum(axis=1)
distances = sqDistances ** 0.5
sortedDistIndicies = distances.argsort()
classCount = {}
for i in range(k):
voteIlabel = labels[sortedDistIndicies[i]]
classCount[voteIlabel] = classCount.get(voteIlabel, 0) + 1
sortedClassCount = sorted(classCount.items(), key=operator.itemgetter(1), reverse=True)
return sortedClassCount[0]

def img2vector(filename):
returnVect = zeros((1, 1024))
fr = open(filename)

for i in range(32):
lineStr = fr.readline()
for j in range(32):
returnVect[0, 32 * i + j] = int(lineStr[j])

return returnVect

def identify(image):
imageVector = zeros((1, 1024))
for i in range(32):
for j in range(32):
imageVector[0, 32 * i + j] = int(image[i][j])

hwLabels = []
trainingFileList = listdir('digits/trainingDigits')
m = len(trainingFileList)

trainingMat = zeros((m, 1024))

for i in range(m):
fileNameStr = trainingFileList[i]
fileStr = fileNameStr.split('.')[0]
classNumStr = int(fileStr.split('_')[0])
hwLabels.append(classNumStr)

trainingMat[i, :] = img2vector('digits/trainingDigits/%s' % fileNameStr)

classifierResult = classify0(imageVector[0], trainingMat, hwLabels, 3)

result = {}
result['result1'] = classifierResult[0]
result['result2'] = classifierResult[1]
return result
其中模板匹配使用28*28像素大小的手写数据集，k邻近算法使用二进制手写数据集。

基于opencv实现的手写数字识别相关推荐

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 ...
基于卷积神经网络的手写数字识别（附数据集+完整代码+操作说明）
基于卷积神经网络的手写数字识别(附数据集+完整代码+操作说明) 配置环境 1.前言 2.问题描述 3.解决方案 4.实现步骤 4.1数据集选择 4.2构建网络 4.3训练网络 4.4测试网络 4.5图 ...
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 ...
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 ...
基于K210的MNIST手写数字识别
基于K210的MNIST手写数字识别项目已开源链接: Github. 硬件平台采用Maixduino开发板在sipeed官方有售软件平台使用MaixPy环境进行单片机的编程官方资源可在这里 ...
基于深度学习的手写数字识别Matlab实现
基于深度学习的手写数字识别Matlab实现 1.网络设计 2. 训练方法 3.实验结果 4.实验结果分析 5.结论 1.网络设计 1.1 CNN(特征提取网络+分类网络) 随着深度学习的迅猛发展,其应 ...
MATLAB实现基于BP神经网络的手写数字识别+GUI界面+mnist数据集测试
文章目录 MATLAB实现基于BP神经网络的手写数字识别+GUI界面+mnist数据集测试一.题目要求二.完整的目录结构说明三.Mnist数据集及数据格式转换四.BP神经网络相关知识 4.1 ...
手把手教你使用LabVIEW OpenCV DNN实现手写数字识别（含源码）
文章目录前言一.OpenCV DNN模块 1.OpenCV DNN简介 2.LabVIEW中DNN模块函数二.TensorFlow pb文件的生成和调用 1.TensorFlow2 Keras模 ...
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 ...

基于opencv实现的手写数字识别

基于opencv实现的手写数字识别相关推荐

最新文章

热门文章