基于最近邻法手写数字识别(内附python源码)

时间 2020-12-04

标签 python web 算法 app 编辑器函数工具学习测试字体栏目 Python 繁體版

原文原文链接

本实验代码已上传面包多，请点击购买，或者关注[全都是码农]公众号，回复[最近邻]，限时免费获取！python

实验概述

本实验皆在运用OpenCV、Python等工具采用适当的算法对手写体数字进行识别与检测，能够提供训练集与测试集进行训练，并能够输入手写字体进行测试检验。web

经过独立的完成本实验，能够极大地提升本人对于Python、OpenCV的理解，掌握手写数字的特征提取技术和最近邻模板匹配法。算法

环境说明

系统：window 10app

软件：PyCharm Community Edition 2020.2.2 x64编辑器

语言：python 3.6函数

环境：cv2，numpy，matplotlib.pyplot，time工具

数据集

本数据集为100张图片，分别为数字0-9，每一个数字10张图片，8张训练集，2张测试集。以下：学习

图 1 数字零	图 2 数字一
图 3 数字二	图 4 数字三

术语定义

训练集：能够训练模型参数，使模型拟合于正确的预测函数。测试

测试集：经过训练过的模型进行检验，评估最终模型泛化能力。字体

验证集：用于调超参数，监控模型是否发生过拟合。

需求说明

实验内容

\1. 学习利用行列扫描的方法获取手写数字的上、下、左、右位置的子程序。

\2. 设计手写数字的特征提取算法，并编写对应特征提取程序。

\3. 编写基于最近邻模板匹配的手写数字识别程序。

实验结果与分析

记录输入数字0-9各10个，程序运行后相应的识别结果，并对结果进行深刻分析。

\1. 记录每一个样品的特征提取效果图。

\2. 记录该样品对应的归一化后的特征值。

\3. 统计每一个数字正确识别率。并对错误识别的状况进行深刻分析。

软件设计

1、体系设计图

函数清单

函数名	函数功能简述	函数接口简述
ImgToNp()	将图片的路径导入到矩阵中。	输入：无输出：图片路径矩阵
outFeature()	处理特征函数并贴标签。	输入：图片路径矩阵输出：训练图片矩阵集与标签集
star()	程序按照预设好的结构进行循环测试与输出。	输入：训练图片矩阵集与标签集输出：训练结果
TestImgToNp()	输入测试图片，并转化为矩阵。	输入：测试图片地址。输出：测试图片矩阵。
outfeatureImg()	输出特征图与特征值。	输入：训练图片矩阵集输出：保存特征图与特征值为文件。\

代码介绍

（一）Mainapp.py代码

mainapp.py为主程序，表1函数清单中的函数均包含于其中。

运行程序后，程序先行运用ImgToNp()函数将img文件夹中0-9文件夹里的80个样本图片转化为矩阵保存于变量中并将其返回。

4、实验结果

运行mainapp.py后，输出框以下所示：

\1.   图片地址以导入矩阵...... 

\2.   准备提取特征...... 

\3.   特征以存储于feature矩阵...... 

\4.   准备贴标签...... 

\5.   标签以贴完...... 

\6.   是否输出特征图与特征值？y/n:

输入y时，程序将输出80张样本的特征值与特征图，分别存储于”./fandimg/{0-9}”，以及”./fandimg/featureArray/{0-9}”中。以下图：

程序继续运行，输出框输出：
1. 3-9.bmp 这张图判断错误了，系统判断为：1 最接近的三个结果为：[[3. 7. 1.]]可是正确结果为：3  
2. 4-9.bmp 这张图判断错误了，系统判断为：1 最接近的三个结果为：[[1. 1. 1.]]可是正确结果为：4  
3. 5-10.bmp 这张图判断错误了，系统判断为：1 最接近的三个结果为：[[5. 1. 1.]]可是正确结果为：5  
4. 6-10.bmp 这张图判断错误了，系统判断为：1 最接近的三个结果为：[[1. 1. 1.]]可是正确结果为：6  
5. 7-9.bmp 这张图判断错误了，系统判断为：1 最接近的三个结果为：[[1. 1. 1.]]可是正确结果为：7  
6. 8-9.bmp 这张图判断错误了，系统判断为：3 最接近的三个结果为：[[8. 9. 3.]]可是正确结果为：8  
7. 8-10.bmp 这张图判断错误了，系统判断为：9 最接近的三个结果为：[[8. 9. 9.]]可是正确结果为：8  
8. 9-9.bmp 这张图判断错误了，系统判断为：1 最接近的三个结果为：[[9. 7. 1.]]可是正确结果为：9