手写数字识别系统 基于python

环境基于Python3.6和Tensorflow框架 实现手写数字识别系统
本文使用python基于TensorFlow设计手写数字识别算法，并编程实现GUI界面，构建手写数字识别系统。文中首先对如何对手写数字图像的获取进行了介绍；其次，对待手写数字图片的预处理的进行了介绍，包括二值化、高斯滤波、膨胀、腐蚀等图像处理方法，图片的预处理是利用opencv和PIL实现的；之后，探讨了读取MNIST训练数据集数据与标签，设置CNN神经网络参数 ，归一化数据集标签并训练CNN神经网络；最后GUI界面使用PyQt5,该识别器可以实时识别从GUI（图形用户界面）中画出的数字图片，利用截图的方式存储图片，并对图片进行预处理，进行界面分割成多个区域分别进行CNN识别，最终以一图一数字的形式组合返回至前端的手写数字识别系统。实验结果表明，本方法具有较高的识别率，并具有较好的抗噪性能。
系统组成
(1)获取手写数字图像：用户使用鼠标在所开发系统的手写面板上书写多个数字。
(2)手写数字图像预处理：对手写数字图像进行图像灰度化、图像二值化、去噪(干扰)等操作。
(3)CNN神经网络训练：读取MNIST训练数据集数据与标签，设置CNN神经网络参数（隐藏层层数、迭代次数、激活函数等），归一化数据集标签并训练CNN神经网络。
(4)手写数字图像识别：利用训练神经网络得到的权重信息测试手写数字识别功能。
开发环境：Windows 10 +python3.6 +tensorflow框架
MNSIT数据集
MNIST 数据集来自美国国家标准与技术研究所National Institute of Standards and Technology (NIST)。训练集 (training set) 由来自 250 个不同人手写的数字构成, 其中 50% 是高中学生, 50% 来自人口普查局 (the Census Bureau) 的工作人员。 测试集(test set) 也是同样比例的手写数字数据。它是一个计算机视觉数据集，它包含70000张手写数字的灰度图片，其中每一张图片包含 28 X 28 个像素点。每一张图片都有对应的标签，也就是图片对应的数字。数据集被分成两部分：60000 行的训练数据集（mnist.train）和10000行的测试数据集（mnist.test）。
其中：60000 行的训练集分拆为 55000 行的训练集和 5000 行的验证集。60000行的训练数据集是一个形状为 [60000, 784]的张量，第一个维度数字用来索引图片，第二个维度数字用来索引每张图片中的像素点。在此张量里的每一个元素，都表示某张图片里的某个像素的强度值，值介于 0 和 1 之间。60000 行的训练数据集标签是介于 0 到 9 的数字，用来描述给定图片里表示的数字。称为 “one-hot vectors”。一个 one-hot向量除了某一位的数字是 1 以外其余各维度数字都是 0。如标签 0 将表示成 ( [1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0 ] )。因此，其标签是一个 [60000, 10] 的数字矩阵。
[link]http://www.tensorfly.cn/tfdoc/tutorials/deep_cnn.html
CNN神经网络
卷积神经网络（Convolutional Neural Networks, CNN）是一类包含卷积计算且具有深度结构的前馈神经网络（Feedforward Neural Networks），是深度学习（deep learning）的代表算法之一 。卷积神经网络具有表征学习（representation learning）能力，能够按其阶层结构对输入信息进行平移不变分类（shift-invariant classification，因此也被称为“平移不变人工神经网络（Shift-Invariant Artificial Neural Networks, SIANN）”。
对卷积神经网络的研究始于二十世纪80至90年代，时间延迟网络和LeNet-5是最早出现的卷积神经网络 ；在二十一世纪后，随着深度学习理论的提出和数值计算设备的改进，卷积神经网络得到了快速发展，并被应用于计算机视觉、自然语言处理等领域 。
卷积神经网络仿造生物的视知觉（visual perception）机制构建，可以进行监督学习和非监督学习࿰