Python应用之Opencv实现数字识别的示例代码

已于 2024-01-08 17:41:32 修改
阅读量3.1k 收藏 45
点赞数 18
文章标签： python opencv 开发语言 计算机视觉 计算机网络 深度学习 经验分享
于 2023-12-04 11:43:58 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/python03011/article/details/134780331
版权

文章目录

一、什么是数字识别？

所谓的数字识别，就是使用算法自动识别出图片中的数字。具体的效果如下图所示：

在这里插入图片描述

上图展示了算法的处理效果，算法能够自动的识别到LCD屏幕上面的数字，这在现实场景中具有很大的实际应用价值。下面我们将对它的实现细节进行详细解析。

二、如何实现数字识别？

对于数字识别这个任务而言，它并不是一个新的研究方向，很久之前就有很多的学者们在关注这个问题，并提出了一些可行的解决方案，本小节我们将对这些方案进行简单的总结。

方案一：使用现成的OCR技术。 OCR，即文字识别，它是一个比较成熟的技术，当前已经具有很多性能优异的开源工具包可以供大家使用，即我们仅仅需要关注的是如何调用这些接口即可，如何你想要了解它们的实现细节，那么你就需要去详细的理解源码啦。除此之外，当前的OCR算法已经可以很好的识别图像中的简单文字和数字等，当前研究的一个热点是如何准确快速的识别出图片中的倾斜文本和不同语言的文字等，下图展示了一个简单的识别样例，即识别笔筒上面的文字。

在这里插入图片描述

方案二：使用深度神经网络。 随着深度学习技术的快速发展，神经网络被引入到计算机视觉当中的多个领域中，对于数字识别这个简单的任务而言，神经网络可以获得准确的识别结果，比较有名的是mnist数据集。但是这种方法首先需要用户收集大量的数据集；然后需要进行模型训练和参数调节；通常需要花费较大的人力和物力。

方案三：使用本文的思路，即根据七段数码管的知识识别LCD上的数字。 这种方法适用于识别LCD屏幕上的数字，当然通过合理的扩展，也可以用来识别LCD上面的文字；该算法不仅具有较快的识别速度，而且可以取得较高的识别精度。

三、识别LCD屏幕上面的数字的原理详解

在现实生活中，我们经常会看到各种各样的LCD屏幕，小到我们的MP3，大到广场中的电视等，随着各种应用的不断出现，LCD屏幕频繁的出现在我们现实生活中的多个场景中，而快速、准确的识别出LCD上面的数字就成为了一个新的刚需，这样可以极大的节约人力和物力成本，下面将对LCD屏幕数字识别的原理进行说明，知其然不许知其所以然。

在这里插入图片描述

上图展示的是一个七段数码管，我们常见的LCD屏幕其实就是通过七段数码管组合而成的，因而了解它的构成至关重要。通过上图我们可以观察到这个数码管中含有7段，并用0-6分别标出，其实还有一个小数点表示8，这些段下面都有相应的led灯，当我们需要显示不同的数字时只需要点亮不同段的LED灯即可，这个原理是不是很简单！通过组合不同段，我们可以获得128种组合（即2的7次方），具体的组合结果如下图所示，对于这128种组合而言，我们只对其中的0-9这10个数字比较感兴趣，其它的组合并不是我们关注的目标。

在这里插入图片描述

在这里插入图片描述

即，我们只对0-9这10个数字的组合比较感兴趣，这其实就是我们常用的数字，我们可以通过它们组合成任意一个数字！！！通过上图我们可以观察到当我们点亮特定段的LED等之后，LCD就能显示出特定的数字，那么我们可不可以通过判断不同段的特征来判断当前的数字呢，这其实就是本文的实现思路！！！

四、算法实现步骤

为了完成LCD上面的数字识别，我们需要按照如下的步骤进行实现该算法。

  • 步骤1-定位面板上面的LCD的位置。由于LCD屏幕和面板具有较大的亮度差异，我们可以使用边缘检测算法获得LCD的位置。
  • 步骤2-获取LCD屏幕。通过上一步我们可以获得一个边缘map；接着我们需要在这个边缘map中寻找轮廓；最后最大的矩形区域即是我们需要的LCD。
  • 步骤3-定位LCD上面的数字。在获取到LCD之后，我们感兴趣的是LCD上面的数字，那么我们就需要对这些数字进行定位，即输出它们的位置信息。由于LCD上面的数字和周围的区域之间具有较大的差异，因而使用阈值和形态学操作就可以很好的完成这个任务。
  • 步骤4-进行数字识别。在获取到数字的位置信息后，我们将使用opencv中内置的算法对这些数字进行识别，从而获得我们需要的结果。

五、算法代码实现

\# coding=utf-8
# 导入一些python包
from imutils.perspective import four\_point\_transform
from imutils import contours
import imutils
import cv2

# 定义每一个数字对应的字段
DIGITS\_LOOKUP = {
	(1, 1, 1, 0, 1, 1, 1): 0,
	(0, 0, 1, 0, 0, 1, 0): 1,
	(1, 0, 1, 1, 1, 1, 0): 2,
	(1, 0, 1, 1, 0, 1, 1): 3,
	(0, 1, 1, 1, 0, 1, 0): 4,
	(1, 1, 0, 1, 0, 1, 1): 5,
	(1, 1, 0, 1, 1, 1, 1): 6,
	(1, 0, 1, 0, 0, 1, 0): 7,
	(1, 1, 1, 1, 1, 1, 1): 8,
	(1, 1, 1, 1, 0, 1, 1): 9
}

# 读取输入图片
image = cv2.imread("example.jpg")

# 将输入图片裁剪到固定大小
image = imutils.resize(image, height=500)
# 将输入转换为灰度图片
gray = cv2.cvtColor(image, cv2.COLOR\_BGR2GRAY)
# 进行高斯模糊操作
blurred = cv2.GaussianBlur(gray, (5, 5), 0)
# 执行边缘检测
edged = cv2.Canny(blurred, 50, 200, 255)
cv2.imwrite('edge.png', edged)

# 在边缘检测map中发现轮廓
cnts = cv2.findContours(edged.copy(), cv2.RETR\_EXTERNAL, cv2.CHAIN\_APPROX\_SIMPLE)
cnts = imutils.grab\_contours(cnts)
# 根据大小对这些轮廓进行排序
cnts = sorted(cnts, key=cv2.contourArea, reverse=True)
displayCnt = None

# 循环遍历所有的轮廓
for c in cnts:
	# 对轮廓进行近似
	peri = cv2.arcLength(c, True)
	approx = cv2.approxPolyDP(c, 0.02 \* peri, True)

	# 如果当前的轮廓有4个顶点，我们返回这个结果，即LCD所在的位置
	if len(approx) == 4:
		displayCnt = approx
		break

# 应用视角变换到LCD屏幕上
warped = four\_point\_transform(gray, displayCnt.reshape(4, 2))
cv2.imwrite('warped.png', warped)
output = four\_point\_transform(image, displayCnt.reshape(4, 2))

# 使用阈值进行二值化
thresh = cv2.threshold(warped, 0, 255, cv2.THRESH\_BINARY\_INV | cv2.THRESH\_OTSU)\[1\]
cv2.imwrite('thresh1.png', thresh)
kernel = cv2.getStructuringElement(cv2.MORPH\_ELLIPSE, (1, 5))
# 使用形态学操作进行处理
thresh = cv2.morphologyEx(thresh, cv2.MORPH\_OPEN, kernel)
cv2.imwrite('thresh2.png', thresh)

# 在阈值图像中查找轮廓，然后初始化数字轮廓列表
cnts = cv2.findContours(thresh.copy(), cv2.RETR\_EXTERNAL, cv2.CHAIN\_APPROX\_SIMPLE)
cnts = imutils.grab\_contours(cnts)
digitCnts = \[\]

# 循环遍历所有的候选区域
for c in cnts:
	# 计算轮廓的边界框
	(x, y, w, h) = cv2.boundingRect(c)

	# 如果当前的这个轮廓区域足够大，它一定是一个数字区域
	if w >= 15 and (h >= 30 and h <= 40):
		digitCnts.append(c)

# 从左到右对这些轮廓进行排序
digitCnts = contours.sort\_contours(digitCnts, method="left-to-right")\[0\]
digits = \[\]

# 循环处理每一个数字
i = 0
for c in digitCnts:
	# 获取ROI区域
	(x, y, w, h) = cv2.boundingRect(c)
	roi = thresh\[y:y + h, x:x + w\]

	# 分别计算每一段的宽度和高度
	(roiH, roiW) = roi.shape
	(dW, dH) = (int(roiW \* 0.25), int(roiH \* 0.15))
	dHC = int(roiH \* 0.05)

	# 定义一个7段数码管的集合
	segments = \[
		((0, 0), (w, dH)),	             # 上
		((0, 0), (dW, h // 2)),           # 左上
		((w - dW, 0), (w, h // 2)),	         # 右上
		((0, (h // 2) - dHC) , (w, (h // 2) + dHC)), # 中间
		((0, h // 2), (dW, h)),	           # 左下
		((w - dW, h // 2), (w, h)),	         # 右下
		((0, h - dH), (w, h))	           # 下
	\]
	on = \[0\] \* len(segments)

	# 循环遍历数码管中的每一段
	for (i, ((xA, yA), (xB, yB))) in enumerate(segments): # 检测分割后的ROI区域，并统计分割图中的阈值像素点
		segROI = roi\[yA:yB, xA:xB\]
		total = cv2.countNonZero(segROI)
		area = (xB - xA) \* (yB - yA)

		# 如果非零区域的个数大于整个区域的一半，则认为该段是亮的
		if total / float(area) > 0.5:
			on\[i\]= 1

	# 进行数字查询并显示结果
	digit = DIGITS\_LOOKUP\[tuple(on)\]
	digits.append(digit)
	cv2.rectangle(output, (x, y), (x + w, y + h), (0, 255, 0), 1)
	cv2.putText(output, str(digit), (x - 10, y - 10), cv2.FONT\_HERSHEY\_SIMPLEX, 0.65, (0, 255, 0), 2)

# 显示最终的输出结果
print(u"{}{}.{} \\u00b0C".format(\*digits))
cv2.imshow("Input", image)
cv2.imshow("Output", output)
cv2.waitKey(0)

六、效果展示和分析

在这里插入图片描述

上图展示了该算法的运行结果和一些中间结果。第1行第1列表示的是原始的输入图片，它和代码中的image对应，我们需要识别的是LCD面板上面的34.5；第1行第2列表示的是Canny边缘检测算法的检测结果，它对应于代码中的edged，通过该图我们可以发现Canny边缘检测的结果中含有我们感兴趣的目标，即中间的LCD；第1行第3列表示的是对输入的灰度图片应用视角变换后的结果，即获得了LCD屏幕所在的位置，它和代码中的warped相互对应；第2行第1列表示的是对获取到的LCD屏幕进行二值化后的结果，它和代码中的thresh 相互对应，由于LCD上面的数字和背景之间具有较大的差异，因而通过简单的二值化我们就可以获得我们感兴趣的目标-数字；第2行第2列表示的是对二值化结果进行形态学操作之后的结果，它和代码中的thresh 相互对应，我们可以发现执行了形态学操作之后的结果更多平滑，同时过滤掉很多的噪声，有利于后续的识别。

在这里插入图片描述

上图展示了本算法获取到的LCD屏幕中的数字，通过上图我们可以发现该算法准确的获得了这些数字的位置信息，有利于后续的识别操作。

在这里插入图片描述

上图展示了算法进行数字识别的实现细节。即通过遍历每一个数字中的7个段，并统计该段中非零像素的个数，当其统计值大于整个区域的一半时，认为该段是亮的，当统计完所有的这7个段之后，在预定义的数字词典中进行查找，并输出最终的结果即可。

在这里插入图片描述

上图展示了算法最终的输出结果，我们可以观察到算法快速、准确的获得了我们需要的结果，满足了我们的预期。

七、问题扩展与延伸

通过上面的解析你可能已经知道了如何来很好的解决上面这个问题。细心的你也许会发现上述结果中输出的点号是人为添加上去的，并不是算法自动获取的，而在现实场景中我们经常会遇到小数点，比如温度、湿度等，那么我的问题来啦，如何利用算法自动获取图中的小数点，使得算法最终自动输出34.5的结果呢，这个问题留给聪明的你进行思考吧！！！（其实数码管是有八段的，第八段就是小数点的！！！）

参考资料

1、参考链接1

关于Python技术储备

学好 Python 不论是就业还是做副业赚钱都不错，但要学会 Python 还是要有一个学习规划。最后给大家分享一份全套的 Python 学习资料，希望提供给那些想学习 Python 的小伙伴们一点帮助！

保存图片微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

一、Python所有方向的学习路线

Python所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。
在这里插入图片描述

二、Python基础学习视频

② 路线对应学习视频

还有很多适合0基础入门的学习视频，有了这些视频，轻轻松松上手Python~在这里插入图片描述
在这里插入图片描述

③练习题

每节视频课后，都有对应的练习题哦，可以检验学习成果哈哈！
在这里插入图片描述
因篇幅有限，仅展示部分资料

三、精品Python学习书籍

当我学到一定基础，有自己的理解能力的时候，会去阅读一些前辈整理的书籍或者手写的笔记资料，这些笔记详细记载了他们对一些技术点的理解，这些理解是比较独到，可以学到不一样的思路。
在这里插入图片描述

四、Python工具包+项目源码合集
①Python工具包

学习Python常用的开发软件都在这里了！每个都有详细的安装教程，保证你可以安装成功哦！
在这里插入图片描述

②Python实战案例

光学理论是没用的，要学会跟着一起敲代码，动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。100+实战案例源码等你来拿！
在这里插入图片描述

③Python小游戏源码

如果觉得上面的实战案例有点枯燥，可以试试自己用Python编写小游戏，让你的学习过程中增添一点趣味！
在这里插入图片描述

五、面试资料

我们学习Python必然是为了找到高薪的工作，下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料，并且有阿里大佬给出了权威的解答，刷完这一套面试资料相信大家都能找到满意的工作。
在这里插入图片描述
在这里插入图片描述

六、Python兼职渠道

而且学会Python以后，还可以在各大兼职平台接单赚钱，各种兼职渠道+兼职注意事项+如何和客户沟通，我都整理成文档了。
在这里插入图片描述
在这里插入图片描述
这份完整版的Python全套学习资料已经上传CSDN，朋友们如果需要可以保存图片微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

一秋的编程笔记
关注
  • 18
    点赞
  • 踩
  • 45
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
使用OpenCV和Python，OCR识别数字
qq_40985985的博客
03-16 5221
这篇博客将演示如何使用OpenCV和Python识别图像中的数字。该方法只适用于七段显示器（通常在数字闹钟上看到 数字显示器）。通过提取七个片段中的每个片段并应用基本阈值和形态学运算，可以确定哪些片段处于“打开”状态，哪些片段处于“关闭”状态。 然后，通过在Python字典数据结构中查找开/关段，就可以快速确定实际数字，而无需机器学习！...
实战四：手把手教你实现数字识别
Mind_programmonkey的博客
04-10 6275
实战四：手把手教你实现数字识别 一、KNN实现数字识别 1.原理 最简单最初级的分类器是将全部的训练数据所对应的类别都记录下来，当测试对象的属性和某个训练对象的属性完全分配时，便可以对其进行分类。但是怎么可能所有测试对象都会找到与之完全匹配的训练对象呢，其次就是存在一个测试对象同时与多个训练对象匹配，导致一个训练对象被分到了多...
使用 OpenCV 和 Python 识别数字，2024Python大厂面试题来袭
最新发布
m0_61043185的博客
03-31 466
现在能在网上找到很多很多的学习资源，有免费的也有收费的，当我拿到1套比较全的学习资源之前，我并没着急去看第1节，我而是去审视这套资源是否值得学习，有时候也会去问一些学长的意见，如果可以之后，我会对这套学习资源做1个学习计划，我的学习计划主要包括规划图和学习进度表。分享给大家这份我薅到的免费视频资料，质量还不错，大家可以跟着学习得这些内容对你有帮助，可以添加V获取：vip1024c （备注Python）**[外链图片转存中…(img-RMEFgyc3-1711824348041)]
Deep Learning之手写数字识别
weixin_43747748的博客
10-18 1020
Chapter1：使用神经网络识别手写数字前言Perceptrons（感知机）Sigmoid neuronsThe architecture of neural networksA simple network to classify handwritten digitsLearning with gradient descentImplementing our network to classi...
利用Python进行数字识别
u013261578的博客
12-27 9511
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
识别数字的软件有哪些？自动识别数字的方法并不难
qq_39891419的博客
01-13 776
每个月月初时，作为销售助理的同事经常要整理一大堆数据，密密麻麻的数字看得他头晕眼花，特别是有些图片里的数字，一不小心就容易出错，酿成严重的数据错误。像平时我也会处理到一些数据图片，为了准确及时的整理好文件，我会选择一些软件来帮助我，那么大家知道识别数字的软件有哪些？今天我来分享三款亲测好用的软件给大家！推荐软件一：万能文字识别操作端口：PC端、APP端作为识别数字的软件，我们最先考虑到的就是准确性以及高效率的识别，万能文字识别就是这样的一款软件，它采用前沿的智能AI技术，大幅度的提升了识别数字的准确性，一目
基于python的OpenCV项目实战——数字识别
04-10
模板：灰度处理-二值处理-轮廓检测-轮廓排序与数字对应上放到字典里 输入图像：灰度处理，礼帽处理，x梯度，闭操作，取轮廓，画到原图像上，得到轮廓的外接矩形，通过宽高比得到目标轮廓，目标轮廓取出，二值化，对每一组中各个数字轮廓提取，resize成和之前模板一样大小，用十个模板分别进行匹配并记录得分
Python 手写数字识别的实现(pytorch框架) 超详细版本-jupyter notebook
weixin_43718786的博客
03-28 1万+
本文详细介绍了如何构建LeNet-5神经网络用于手写数字识别。 文中大量的代码解释包含在代码行后的注释中，请注意查看。 下面的代码在谷歌云盘的colab上运行，也可以在jupyter notebook上运行
opencv简易数字识别
龙木南的博客
11-19 9559
opencv简易数字识别
Python人工智能--实现手写数字识别
我是一只程序⚪的技术交流平台
03-23 1万+
在做此项目之前，首先要明白何为KNN算法。 一 、 K-近邻算法（KNN）概述 最简单最初级的分类器是将全部的训练数据所对应的类别都记录下来，当测试对象的属性和某个训练对象的属性完全匹配时，便可以对其进行分类。但是怎么可能所有测试对象都会找到与之完全匹配的训练对象呢，其次就是存在一个测试对象同时与多个训练对象匹配，导致一个训练对象被分到了多个类的问题，基于这些问题呢，就产生了KNN。 KNN是通...
Opencv实战——数字识别
Thousand_drive的博客
05-16 1万+
系列文章目录 提示：这里可以添加系列文章的所有文章的目录，目录需要自己手动添加 例如：第一章 Python 机器学习入门之pandas的使用 提示：写完文章后，目录可以自动生成，如何生成可参考右边的帮助文档 文章目录系列文章目录前言一、pandas是什么？二、使用步骤1.引入库2.读入数据总结 前言 提示：这里可以添加本文要记录的大概内容： 例如：随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的基础内容。 提示：以下是本篇文章正文内容，下面案例
python opencv实现信用卡的数字识别
09-18
主要介绍了python opencv实现信用卡的数字识别，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧
python+opencv实现的简单人脸识别代码示例
12-23
/usr/bin/env python #coding=utf-8 import os from PIL import Image, ImageDraw import cv def detect_object(image): '''检测图片，获取人脸在图片中的坐标''' grayscale = cv.CreateImage((image.width, image...
Python 使用Opencv实现目标检测与识别的示例代码
09-16
主要介绍了Python 使用Opencv实现目标检测与识别的示例代码，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧
Python + OpenCV 实现LBP特征提取的示例代码
09-19
主要介绍了Python + OpenCV 实现LBP特征提取的示例代码，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧
Python不同方法实现手写数字识别结果和代码
crj0926的博客
01-26 3597
一.背景 手写数字识别是符号识别的一个分支，虽然只是识别简单的10个数字，但却有着非常大的实用价值。在我们的日常生活中，每天都要进行大量的文档处理工作，比如税单，银行支票，汇款单，信用卡账单的处理，以及邮局信函的分检等等，如何利用计算机字符识别和文档处理技术，使人们从这些繁重的手工劳动中解放出来已成为个迫切需要解决的问题。另外随着平板电脑和触摸屏手机的普及，手写输入成为了很多人的主要输入方式。手写...
Python实现手写数字的识别
janestan的博客
09-29 9159
输入层(input layer)是由训练集的实例特征向量传入，经过连接结点的权重(weight)传入下一层，一层的输出是下一层的输入，隐藏层的个数可以是任意的，输入层有一层，输出层有一层，每个单元(unit)也可以被称作神经结点,根据生物学来源定义，一层中加权的求和，然后根据非线性方程转化输出。多层向前神经网络由以下部分组成：输入层(input layer),隐藏层(hidden layers),输入层(output layers)，每层由单元(units)组成。（1）通过迭代性的来处理训练集中的实例。
chatgpt赋能python：Python实现手写数字识别——让计算机像人一样“看”数字
yakuchrisfor的博客
06-08 278
手写数字识别”是一种机器学习的应用，它能够让计算机“读取”手写数字并将其转换成计算机能够理解的数字。手写数字识别通常是通过电子设备对手写数字进行扫描和分析实现的。当然，也有一些软件可以识别纸上的手写数字。本文由chatgpt生成，文章没有在chatgpt生成的基础上进行任何的修改。以上只是chatgpt能力的冰山一角。作为通用的Aigc大模型，只是展现它原本的实力。对于颠覆工作方式的ChatGPT，应该选择拥抱而不是抗拒，未来属于“会用”AI的人。🧡AI职场汇报智能办公文案写作效率提升教程 🧡专注于。
利用Python对MNIST手写数据集进行数字识别（初学者入门级）
热门推荐
仲子_real
10-08 3万+
本文利用Python语言，在Jupyter Notebook进行程序编写，通过神经网络学习算法对MNIST手写数据集进行数字识别，并且对学习率（learning rate）、节点数（nodes）进行分析，找出最佳的学习率和节点数，使得神经网络对数字识别的准确率达到0.9744
python利用opencv实现数字识别
06-06
要使用Python和OpenCV实现数字识别，可以按照以下步骤进行操作： 1. 收集数字样本图像并将其转换为灰度图像。 2. 将数字图像与预先训练的模型进行比较，以识别数字。 3. 对数字进行分类和识别，并输出结果。 以下是一个简单的数字识别的Python代码示例： ```python import cv2 import numpy as np # 加载训练集 digits = cv2.imread('digits.png',0) # 定义每个数字的大小和数量 rows = np.vsplit(digits,50) cells = [] for row in rows: row_cells = np.hsplit(row,50) for cell in row_cells: cells.append(cell) # 准备训练数据和标签 x = np.array(cells) train = x[:,:].reshape(-1,400).astype(np.float32) k = np.arange(10) train_labels = np.repeat(k,250)[:,np.newaxis] # 训练KNN模型 knn = cv2.ml.KNearest_create() knn.train(train, cv2.ml.ROW_SAMPLE, train_labels) # 加载测试图像 test_digits = cv2.imread('test_digits.png',0) test_cells = np.vsplit(test_digits,50) # 对每个测试图像进行识别 for i in range(len(test_cells)): test_row = test_cells[i] test_row_cells = np.hsplit(test_row,10) for j in range(len(test_row_cells)): test_cell = test_row_cells[j] test_cell = cv2.resize(test_cell,(20,20)) test_cell = np.array(test_cell,np.float32).reshape(-1,400) ret,result,neighbours,dist = knn.findNearest(test_cell,k=1) print(int(result[0][0]),end=' ') print() ``` 在这个示例中，我们首先加载数字图像，并将其拆分为单个数字图像。我们将这些数字图像用作训练数据，并使用KNN算法进行训练。然后，我们加载测试图像，并对每个数字图像进行识别，输出识别结果。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值