# 构建手写数字OCR的应用程序
|
#
|
# 需要一些 train_data 和 test_data。 OpenCV 附带一个图像digits.png，其中有 5000 个手写数字（每个数字 500 个）。每个数字都是一个 20x20 的图像。、
|
# 第一步是将这个图像分成 5000 个不同的数字。对于每个数字，我们将其展平为 400 像素的一行。那就是我们的特征集，即所有像素的强度值。这是我们可以创建的最简单的功能集。
|
# 第二部使用每个数字的前 250 个样本作为 train_data，剩下的250 个样本作为 test_data
|
# 然后训练数据；
|
|
import numpy as np
|
import cv2
|
|
img = cv2.imread('digits.png') # 原始图像包括5000个不同的数字
|
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
|
|
# 分割图像为5000个单元，每个20x20像素
|
cells = [np.hsplit(row, 100) for row in np.vsplit(gray, 50)]
|
|
# 转为Numpy数组，shape将为 (50,100,20,20)
|
x = np.array(cells)
|
|
# 准备训练集和测试集
|
train = x[:, :50].reshape(-1, 400).astype(np.float32) # Size = (2500,400)
|
test = x[:, 50:100].reshape(-1, 400).astype(np.float32) # Size = (2500,400)
|
|
# 为训练数据和测试数据创建标签
|
k = np.arange(10)
|
train_labels = np.repeat(k, 250)[:, np.newaxis]
|
test_labels = train_labels.copy()
|
|
# 初始化KNN，训练模型，然后对测试集使用k=1进行测试
|
knn = cv2.ml.KNearest_create()
|
#print('knn: ', knn)
|
knn.train(train, cv2.ml.ROW_SAMPLE, train_labels)
|
ret, result, neighbours, dist = knn.findNearest(test, k=5)
|
|
# 检查分类的准确性
|
# 将预测分类的结果与其所属的测试标签进行比较，判断成功还是失败
|
matches = result == test_labels
|
correct = np.count_nonzero(matches)
|
accuracy = correct * 100.0 / result.size
|
|
# 识别手写数字得到了91.76% 的准确率。提高准确性的一种选择是添加更多用于训练的数据，尤其是错误的数据。
|
# 可以把训练的数据/模型保存下来，这样下次就能直接从文件中加载数据/模型，然后进行分类，可借助Numpy函数（如 np.savetxt、np.savez、np.load 等）来保存模型
|
print("OCR digits accuracy: ", accuracy)
|
|
|
image = cv2.imread('9/9.jpg',0)
|
#img = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY);
|
image.resize(20,20)
|
ret, image = cv2.threshold(image, 0, 255, cv2.THRESH_OTSU | cv2.THRESH_BINARY_INV)
|
testImage = image.reshape(-1,400).astype(np.float32)
|
|
# 用所有数据作为训练数据
|
|
ret,result,neighbours,dist = knn.findNearest(testImage, 1)
|
print(result)
|
