文章目录
1.SVM原理
2.使用SVM 进行手写数据OCR
- 在kNN 中我们直接使用像素的灰度值作为特征向量。这次我们要使用方向梯度直方图Histogram of Oriented Gradients (HOG)作为特征向量。
- 在计算HOG 前我们使用图片的二阶矩对其进行抗扭斜(deskew)处理。
代码速记:
- cv2.ml.SVM_create()
- svm.train()
- svm.save()
- svm.predict()
实战:
(1) 使用图像的二阶矩对其进行抗扭斜(deskew)处理
def deskew(img):
m = cv2.moments(img) # 求矩
if abs(m['mu02']) < 1e-2:
return img.copy()
skew = m['mu11'] / m['mu02']
M = np.float32([[1, skew, -0.5 * SZ * skew], [0, 1, 0]])
img = cv2.warpAffine(img, M, (SZ, SZ), flags=affine_flags)
return img
(2) 使用方向梯度直方图Histogram of Oriented Gradients HOG 作为特征向量。
- 计算图像 X 方向和 Y 方向的 Sobel 导数。然后计算得到每个像素的梯度的方向和大小。把这个