毕设（一）：神经网络识别更正，图像预处理完善

前天把模型导入进行识别，硬是没一个对的。去检查发现，是pandas打乱了label到character的索引，要不是查看别人写的代码，还有自己去翻一翻变量控制器，还真找不出来。
另外，为了提高识别精度，我还打算将输入的图片进行归一化，即0~255缩小到 0 ~ 1, 和训练的时候预处理数据相同。
错误索引：

code_to_character = ['零', '一', '二', '三', '四', '五', '六', '七',
                 '八', '九', '十', '百', '千', '万', '亿']

正确索引：

code_to_character = ['一', '七', '万', '三', '九', '二', '五', '亿',
                 '八', '六', '十', '千', '四', '百', '零']

今天还把图像处理更加具体细化，即输入的图片限制尺寸大小；截取的图片必须在外围padding，让整个字处在中间，提高识别率。

# =============================================================================
# 用于裁剪下来的文字缩小，提高识别率
# =============================================================================
def imgNarrow(image):
    COLOR=[255,255,255]
    image = cv2.copyMakeBorder(image,20,20,20,20,cv2.BORDER_CONSTANT,value=COLOR)
    t, image = cv2.threshold(image,120,255,cv2.THRESH_BINARY_INV)
    image = skimage.transform.resize(image, (64, 64, 1), mode="reflect")  #归一化的图片
    return image
# =============================================================================
# 防止图片过大，使得噪声裁切都受到影响，将其限制尺寸
# =============================================================================
def imgNormalization(image):
    height = image[0]
    width = image[1]   
    if height > 768 or width > 768:
        height = height/2
        width = width/2
        image = cv2.rezize(image, height, width,3)
        imgNormalization(image)
    else:
        return image

最后对于图像处理还有一个问题要处理，也就是文字图像要reshape成（1，64，64，1）才能送入到预测器，并且不需要反色，因为二值化已经变成黑底白字了。

image2 = constant.reshape(1,64,64,1)