python数字识别_利用Python进行数字识别

思路

通过Python实现KNN算法。而KNN算法就是K最近邻(k-Nearest Neighbor，KNN)分类算法，是一个理论上比较成熟的方法，也是最简单的机器学习算法之一。该方法的思路是：如果一个样本在特征空间中的k个最相似的样本中的大多数属于某一个类别，则该样本也属于这个类别。详情可在上一篇文章开头有介绍：

https://www.jianshu.com/p/bddf84a60efc

转载请注明出处：Michael孟良

准备

在Java项目里写了一个RGBUtils的class，将32x32像素的图片全部数字化输出：

package com.yml.common;

import javax.imageio.ImageIO;

import java.awt.image.BufferedImage;

import java.io.File;

import java.io.IOException;

public class RGBUtils {

public static void main(String[]args){

try {

BufferedImage bi = ImageIO.read(new File("D:\\workspace\\Utils\\src\\com\\yml\\common\\9_1.png"));

String picString = "";

for (int i = 0; i < 32; i++) {

for (int j = 0; j < 32; j++) {

picString += getRGB(bi, j, i);

}

picString += "\r\r\n";

}

System.out.println(picString);

} catch (IOException e) {

e.printStackTrace();

}

public static int getRGB(BufferedImage image, int x, int y) {

int[] rgb = null;

if (image != null && x < image.getWidth() && y < image.getHeight()) {

rgb = new int[3];

int pixel = image.getRGB(x, y);

rgb[0] = (pixel & 0xff0000) >> 16;

rgb[1] = (pixel & 0xff00) >> 8;

rgb[2] = (pixel & 0xff);

}

if(null!=rgb&&255==rgb[0]&&255==rgb[1]&&255==rgb[2]){

return 0;

}else{

return 1;

}

这是我在PS新建的32x32像素的数字9：

数字9

黑色是1白色是0，执行上述java类后得到

数字9

JAVA代码：https://github.com/MichaelYipInGitHub/PythonTest/blob/master/com/test/knn/JavaUtils/RGBUtils.java

要放到java项目里跑

如此这般我写了三个字一个5两个9，将他们变成TXT文件再TestData文件夹下

代码（Python）

# coding:utf-8

import os

import numpy as np

# 此方法将每个文件中32*32的矩阵数据，转换到1*1024一行中

from com.test.knn.KNNArcheyTest import classify

def img2vector(filename):

# 创建一个1行1024列的矩阵

returnVect = np.zeros((1, 1024))

# 打开当前的文件

fr = open(filename, "rb")

# 每个文件中有32行，每行有32列数据，遍历32个行，将32个列数据放入1024的列中

for i in range(32):

lineStr = fr.readline()

for j in range(32):

returnVect[0, 32 * i + j] = int(lineStr[j])

return returnVect

def IdentifImg():

labels = []

# 读取训练集 TrainData目录下所有的文件和文件夹

trainingFileList = os.listdir('TrainData')

m = len(trainingFileList)

# zeros((m,1024)) 返回一个m行，1024列的矩阵，默认是浮点型的

trainingMat = np.zeros((m, 1024))

for i in range(m):

# 获取文件名称 0_0.txt

fileNameStr = trainingFileList[i]

# 获取文件除了后缀的名称

fileStr = fileNameStr.split('.')[0]

# 获取文件"数字"的类别

classNumStr = int(fileStr.split('_')[0])

labels.append(classNumStr)

# 构建训练集, img2vector 每个文件返回一行数据 1024列

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

# 读取测试集数据

testFileList = os.listdir('TestData')

errorCount = 0.0

mTest = len(testFileList)

for i in range(mTest):

fileNameStr = testFileList[i] #0_0.txt

fileStr = fileNameStr.split('.')[0]

classNumStr = int(fileStr.split('_')[0])

vectorUnderTest = img2vector('TestData/%s' % fileNameStr)

classifierResult = classify(vectorUnderTest, trainingMat, labels, 5)

print("识别出的数字是: %d, 真实数字是: %d" % (classifierResult, classNumStr))

if (classifierResult != classNumStr):

errorCount += 1.0

print("\n识别错误次数 %d" % errorCount)

errorRate = errorCount / float(mTest)

print("\n正确率: %f" % (1 - errorRate))

if __name__ == '__main__':

IdentifImg()

思路

首先将32x32像素的图片转变成一行1024（=32x32）空间坐标，其实就相当于一个1024维的空间。TainData 里面有两千条数据就相当于有两千个点。

我们新建一个方法叫classify，就是把我们要测试的点放到训练数据空间里，看离他最近的k个点是什么值，这里我们K设置为5

# normData 测试数据集的某行， dataSet 训练数据集，labels 训练数据集的类别，k k的值

def classify(normData, dataSet, labels, k):

# 计算行数

dataSetSize = dataSet.shape[0]

# print ('dataSetSize 长度 =%d'%dataSetSi ； vzvz ze)

# 当前点到所有点的坐标差值 ,np.tile(x,(y,1)) 复制x 共y行 1列

diffMat = np.tile(normData, (dataSetSize, 1)) - dataSet

# 对每个坐标差值平方

sqDiffMat = diffMat ** 2

# 对于二维数组 sqDiffMat.sum(axis=0)指对向量每列求和，sqDiffMat.sum(axis=1)是对向量每行求和,返回一个长度为行数的数组

# 例如：narr = array([[ 1., 4., 6.],

# [ 2., 5., 3.]])

# narr.sum(axis=1) = array([ 11., 10.])

# narr.sum(axis=0) = array([ 3., 9., 9.])

sqDistances = sqDiffMat.sum(axis=1)

# 欧式距离最后开方

distance = sqDistances ** 0.5

# x.argsort() 将x中的元素从小到大排序，提取其对应的index 索引，返回数组

# 例： tsum = array([ 11., 10.]) ---- tsum.argsort() = array([1, 0])

sortedDistIndicies = distance.argsort()

# classCount保存的K是魅力类型 V:在K个近邻中某一个类型的次数

classCount = {}

for i in range(k):

# 获取对应的下标的类别

voteLabel = labels[sortedDistIndicies[i]]

# 给相同的类别次数计数

classCount[voteLabel] = classCount.get(voteLabel, 0) + 1

# sorted 排序返回新的list

# sortedClassCount = sorted(classCount.items(),key=operator.itemgetter(1),reverse=True)

sortedClassCount = sorted(classCount.items(), key=lambda x: x[1], reverse=True)

return sortedClassCount[0][0]

我之前写的3的数字也变成1024维空间的点，选择最近的五个点进行判断。

输出结果

原来图片

代码

总结

1.Python没用封装KNN 算法，因为太简单，可以直接手写。

2.从图片上看，我用粗笔写的数字能识别到，细笔写的就识别不到，这可能与我的训练数据多为粗笔字体。

3.数字识别可以引申到动物识别，人物识别，不过他们用的像素不只是0和1，数据会更加庞大，算法更加复杂。

python数字识别_利用Python进行数字识别相关推荐

python中颜色介意用数字表示_利用Python实现颜色色值转换的小工具
先看看Zeplin 的颜色色值显示示例原有处理方式因为我会 Python (仅限于终端输入 python 然后当做计算器算,或者用 hex() 函数把十进制转换成十六进制),所以遇到这样的问题我当 ...
python文字验证码识别_利用python进行验证码识别（预处理部分）
# -*- coding: utf-8 -*- """Created on Thu Feb 1 15:52:05 2018@author: Administrator&q ...
python实现图像识别_利用Python进行简单的图像识别（验证码）
这是一个最简单的图像识别,将图片加载后直接利用Python的一个识别引擎进行识别将图片中的数字通过 pytesseract.image_to_string(image)识别后将结果存入到本地的txt ...
python扫雷脚本_利用 Python 实现自动扫雷小脚本
原标题:利用 Python 实现自动扫雷小脚本自动扫雷一般分为两种,一种是读取内存数据,而另一种是通过分析图片获得数据,并通过模拟鼠标操作,这里我用的是第二种方式.一.准备工作1.扫雷游戏我是 ...
python自动扫雷_利用Python实现自动扫雷
自动扫雷一般分为两种,一种是读取内存数据,而另一种是通过分析图片获得数据,并通过模拟鼠标操作,这里我用的是第二种方式. 一.准备工作我的版本是 python 3.6.1 python的第三方库: w ...
利用python进行数据分析_利用python进行数据分析复现（1）
一直以来,都想学习python数据分析相关的知识,总是拖拖拉拉,包括这次这个分享也是.<利用python进行数据分析第2版>是一次无意之间在简书上看到的一个分享,我决定将很详细.一直都 ...
python计算信息增益_利用Python提取ABAQUS的计算结果（ODB）信息、体积、应变等变化（一）...
00 实例模型一个金属长方体,我们需要对其做拉伸的加载约束示意图如图1,并在完成后采用Python命令流读取参考点的位移.体积.应变随加载时间的变化情况. 图1 金属长方体约束加载示意图 01 Py ...
python计算器程序_利用Python代码编写计算器小程序
1 importtkinter2 importtkinter.messagebox3 importmath4 classJSQ:5 6 7 def __init__(self):8 #创建主界面 9 ...
日语python怎么说_利用python进行日语汉字-假名转换
一.前言最近在学日语,五十音图已会,进入到日语汉字的学习部分.目前遇到的最大困哪是日语进行训读的汉字记不住它的发音,或者记了就忘记,例如'山口-やまくち本田-ほんだ'. 于是想到了用python进 ...
python抽奖游戏_利用Python写一个抽奖程序，解密游戏内抽奖的秘密
原标题:利用Python写一个抽奖程序,解密游戏内抽奖的秘密前言本文的文字及图片来源于网络,仅供学习.交流使用,不具有任何商业用途,版权归原作者所有,如有问题请及时联系我们以作处理. 作者: 极客 ...

python数字识别_利用Python进行数字识别

python数字识别_利用Python进行数字识别相关推荐

最新文章

热门文章