本實驗代碼已上傳面包多，請點擊購買，或者關注[全都是碼農]公眾號，回復[最近鄰]，限時免費獲取！
實驗概述
本實驗皆在運用OpenCV、Python等工具采用適當的演算法對手寫體數字進行識別與檢測，可以提供訓練集與測驗集進行訓練，并可以輸入手寫字體進行測驗檢驗，
通過獨立的完成本實驗，可以極大地提高本人對于Python、OpenCV的理解，掌握手寫數字的特征提取技術和最近鄰模板匹配法，
環境說明
系統：window 10
軟體：PyCharm Community Edition 2020.2.2 x64
語言：python 3.6
環境：cv2，numpy，matplotlib.pyplot，time
資料集
本資料集為100張圖片，分別為數字0-9，每個數字10張圖片，8張訓練集，2張測驗集，如下：
 圖 1 數字零 |
 圖 2 數字一 |
|---|---|
 圖 3 數字二 |
 圖 4 數字三 |
術語定義
訓練集：可以訓練模型引數，使模型擬合于正確的預測函式，
測驗集：通過訓練過的模型進行檢驗，評估最終模型泛化能力，
驗證集：用于調超引數，監控模型是否發生過擬合，
需求說明
實驗內容
\1. 學習利用行列掃描的方法獲取手寫數字的上、下、左、右位置的子程式，
\2. 設計手寫數字的特征提取演算法，并撰寫對應特征提取程式，
\3. 撰寫基于最近鄰模板匹配的手寫數字識別程式，
實驗結果與分析
記錄輸入數字0-9各10個，程式運行后相應的識別結果，并對結果進行深入分析，
\1. 記錄每個樣品的特征提取效果圖，
\2. 記錄該樣品對應的歸一化后的特征值，
\3. 統計每個數字正確識別率，并對錯誤識別的情況進行深入分析，
軟體設計
一、體系設計圖
函式清單
| 函式名 | 函式功能簡述 | 函式介面簡述 |
|---|---|---|
| ImgToNp() | 將圖片的路徑匯入到矩陣中， | 輸入：無 輸出：圖片路徑矩陣 |
| outFeature() | 處理特征函式并貼標簽， | 輸入：圖片路徑矩陣 輸出：訓練圖片矩陣集與標簽集 |
| star() | 程式按照預設好的結構進行回圈測驗與輸出， | 輸入：訓練圖片矩陣集與標簽集 輸出：訓練結果 |
| TestImgToNp() | 輸入測驗圖片，并轉化為矩陣， | 輸入：測驗圖片地址， 輸出：測驗圖片矩陣， |
| outfeatureImg() | 輸出特征圖與特征值， | 輸入：訓練圖片矩陣集 輸出：保存特征圖與特征值為檔案，\ |
代碼介紹
（一）Mainapp.py代碼
mainapp.py為主程式，表1函式清單中的函式均包含于其中，
運行程式后，程式先行運用ImgToNp()函式將img檔案夾中0-9檔案夾里的80個樣本圖片轉化為矩陣保存于變數中并將其回傳，
四、實驗結果
運行mainapp.py后，輸出框如下所示：
\1. 圖片地址以匯入矩陣......
\2. 準備提取特征......
\3. 特征以存盤于feature矩陣......
\4. 準備貼標簽......
\5. 標簽以貼完......
\6. 是否輸出特征圖與特征值？y/n:
輸入y時，程式將輸出80張樣本的特征值與特征圖，分別存盤于”./fandimg/{0-9}”，以及”./fandimg/featureArray/{0-9}”中，如下圖：
程式繼續運行，輸出框輸出：
1. 3-9.bmp 這張圖判斷錯誤了，系統判斷為：1 最接近的三個結果為：[[3. 7. 1.]]但是正確結果為：3
2. 4-9.bmp 這張圖判斷錯誤了，系統判斷為：1 最接近的三個結果為：[[1. 1. 1.]]但是正確結果為：4
3. 5-10.bmp 這張圖判斷錯誤了，系統判斷為：1 最接近的三個結果為：[[5. 1. 1.]]但是正確結果為：5
4. 6-10.bmp 這張圖判斷錯誤了，系統判斷為：1 最接近的三個結果為：[[1. 1. 1.]]但是正確結果為：6
5. 7-9.bmp 這張圖判斷錯誤了，系統判斷為：1 最接近的三個結果為：[[1. 1. 1.]]但是正確結果為：7
6. 8-9.bmp 這張圖判斷錯誤了，系統判斷為：3 最接近的三個結果為：[[8. 9. 3.]]但是正確結果為：8
7. 8-10.bmp 這張圖判斷錯誤了，系統判斷為：9 最接近的三個結果為：[[8. 9. 9.]]但是正確結果為：8
8. 9-9.bmp 這張圖判斷錯誤了，系統判斷為：1 最接近的三個結果為：[[9. 7. 1.]]但是正確結果為：9
f
轉載請註明出處，本文鏈接：https://www.uj5u.com/qita/228775.html
標籤：其他
上一篇：RefineDet