使用机器学习的方法识别手写数字0和1

最新推荐文章于 2024-03-28 10:24:36 发布
最新推荐文章于 2024-03-28 10:24:36 发布
阅读量2.3k 收藏 4
点赞数 1
分类专栏： OpenCV 机器学习
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/skye_95/article/details/81094502
版权

最近在学习OpenCV中机器学习的相关部分，想了解机器学习中从模型的训练到用模型去预测的具体实现过程，所以做了一个识别别手写数字0和1的简单项目（此文只识别手写数字0和1，如果想识别数字0到9，可以根据示例自己扩展），下面进行详细讲解。

这里用两种方式实现，一种是将模型训练和数字识别分别写在两个项目里，逻辑清晰，便于理解训练模型的过程和查看训练的结果；一种是将所有的功能写在一个项目里，可以直接查看最后的识别结果。

用于实验的数据：https://pan.baidu.com/s/1g212b14CBubZkASsxsEInw

我是将data文件夹存放在D盘，所以后面使用数据的时候，用到的绝对的路径为"D:\\data\\train_image\\1"。可以根据自己下载后存放的路径做相应的修改。用于训练的数字0和1各有400张图片，用于测试的数字0和1各有100张图片。

分两个项目实现

1.模型训练

#include <stdio.h>  
#include <time.h>  
#include <opencv2/opencv.hpp> 
#include <opencv2/core/core.hpp>  
#include <opencv2/highgui/highgui.hpp>  
#include <opencv2/ml/ml.hpp>  
#include <opencv/cv.h>  
#include <iostream> 
#include <io.h>

using namespace std;
using namespace cv;

void getFiles(string path, vector<string>& files);
void get_1(Mat& trainingImages, vector<int>& trainingLabels);
void get_0(Mat& trainingImages, vector<int>& trainingLabels);

int main()
{
	//获取训练数据
	Mat classes;
	Mat trainingData;
	Mat trainingImages;
	vector<int> trainingLabels;
	//数字1先存入trainingImages，接着数字0存入trainingImages
	get_1(trainingImages, trainingLabels);//数字1贴标签
	get_0(trainingImages, trainingLabels);//数字0贴标签
	Mat(trainingImages).copyTo(trainingData);//将写好的包含特征的矩阵拷贝给trainingData
	trainingData.convertTo(trainingData, CV_32FC1);
	Mat(trainingLabels).copyTo(classes);//将包含标签的vector容器进行类型转换后拷贝到classes里
	//配置SVM训练器参数
	CvSVMParams SVM_params;
	SVM_params.svm_type = CvSVM::C_SVC;
	SVM_params.kernel_type = CvSVM::LINEAR;
	SVM_params.degree = 0;
	SVM_params.gamma = 1;
	SVM_params.coef0 = 0;
	SVM_params.C = 1;
	SVM_params.nu = 0;
	SVM_params.p = 0;
	SVM_params.term_crit = cvTermCriteria(CV_TERMCRIT_ITER, 1000, 0.01);
	//训练
	CvSVM svm;
	svm.train(trainingData, classes, Mat(), Mat(), SVM_params);
	//保存模型
	svm.save("svm.xml");
	cout << "训练好了！！！" << endl;
	getchar();
	return 0;
}

//通过文件路径遍历文件夹，实现图像批处理
void getFiles(string path, vector<string>& files)
{
	long   hFile = 0;
	struct _finddata_t fileinfo;
	string p;
	if ((hFile = _findfirst(p.assign(path).append("\\*").c_str(), &fileinfo)) != -1)
	{
		do
		{
			if ((fileinfo.attrib &  _A_SUBDIR))
			{
				if (strcmp(fileinfo.name, ".") != 0 && strcmp(fileinfo.name, "..") != 0)
					getFiles(p.assign(path).append("\\").append(fileinfo.name), files);
			}
			else
			{
				files.push_back(p.assign(path).append("\\").append(fileinfo.name));
			}
		} while (_findnext(hFile, &fileinfo) == 0);

		_findclose(hFile);
	}
}

//将数字1的图像贴标签
void get_1(Mat& trainingImages, vector<int>& trainingLabels)
{
	/*这里使用绝对路径，也可以使用相对路径，先得将data文件夹放到.cpp所在的文件夹
	  char * filePath = "data\\train_image\\1";
	*/
	char * filePath = "D:\\data\\train_image\\1";
	vector<string> files;
	getFiles(filePath, files);
	int number = files.size();
	for (int i = 0; i < number; i++)
	{
		//利用循环遍历文件夹里的每一张图像
		Mat  SrcImage = imread(files[i].c_str());
		/*特征提取
		  函数原型Mat reshape(int cn, int rows=0) const;
		  cn为新的通道数，如果cn = 0，表示通道数不会改变
		  rows为新的行数，如果rows = 0，表示行数不会改变
		  reshape(1, 1)的结果就是原图像对应的矩阵将被拉伸成一个一行的向量，作为特征向量
		*/
		SrcImage = SrcImage.reshape(1, 1);
		//获取一张图片后会将图片（特征）写入到容器中，紧接着会将标签写入另一个容器中，这样就保证了特征和标签是一一对应的关系
		trainingImages.push_back(SrcImage);//将图片特征写入容器
		trainingLabels.push_back(1);//将标签写入容器
	}
}

//将数字0的图像贴标签
void get_0(Mat& trainingImages, vector<int>& trainingLabels)
{
	char * filePath = "D:\\data\\train_image\\0";
	vector<string> files;
	getFiles(filePath, files);//将路径对应的文件夹下的图片都存放在vector容器中
	int number = files.size();
	for (int i = 0; i < number; i++)//遍历文件夹
	{
		Mat  SrcImage = imread(files[i].c_str());
		SrcImage = SrcImage.reshape(1, 1);
		trainingImages.push_back(SrcImage);
		trainingLabels.push_back(0);
	}
}

训练好的模型保存在“svm.xml”文件中，使用的时候加载就好。运行结果和生成的xml如下：

运行过程中如果遇到下图所示错误，可以参考博客：https://blog.csdn.net/skye_95/article/details/81083145

2.数字识别

#include <stdio.h>  
#include <time.h>  
#include <opencv2/opencv.hpp>  
#include <opencv/cv.h>  
#include <iostream> 
#include <opencv2/core/core.hpp>  
#include <opencv2/highgui/highgui.hpp>  
#include <opencv2/ml/ml.hpp>  
#include <io.h>

using namespace std;
using namespace cv;

void getFiles(string path, vector<string>& files);

int main()
{
	int result = 0;
	//也可以使用相对路径char * filePath = "data\\test_image\\0"，data文件夹需先与.cpp放在同一个文件夹下
	char * filePath = "D:\\Projects\\visual studio 2013\\SVMTest1\\data\\test_image\\0";//识别数字0
	vector<string> files;
	getFiles(filePath, files);
	int number = files.size();
	cout << number << endl;
	CvSVM svm;
	svm.clear();
	/*当.xml文件与.cpp文件在同一个文件夹下时可以使用相对路径string modelpath ="svm.xml"
	  在不同文件夹下时需使用绝对路径
	*/
	string modelpath = "D:\\Projects\\visual studio 2013\\SVMTest2\\SVMTest2\\svm.xml";
	FileStorage svm_fs(modelpath, FileStorage::READ);
	if (svm_fs.isOpened())
	{
		svm.load(modelpath.c_str());//加载模型
	}
	for (int i = 0; i < number; i++)
	{
		Mat inMat = imread(files[i].c_str());
		Mat p = inMat.reshape(1, 1);
		p.convertTo(p, CV_32FC1);
		int response = (int)svm.predict(p);
		if (response == 0)
		{
			result++;//用result记录识别正确的个数
		}
	}
	cout << result << endl;
	getchar();
	return  0;
}

void getFiles(string path, vector<string>& files)
{
	long   hFile = 0;
	struct _finddata_t fileinfo;
	string p;
	if ((hFile = _findfirst(p.assign(path).append("\\*").c_str(), &fileinfo)) != -1)
	{
		do
		{
			if ((fileinfo.attrib &  _A_SUBDIR))
			{
				if (strcmp(fileinfo.name, ".") != 0 && strcmp(fileinfo.name, "..") != 0)
					getFiles(p.assign(path).append("\\").append(fileinfo.name), files);
			}
			else
			{
				files.push_back(p.assign(path).append("\\").append(fileinfo.name));
			}
		} while (_findnext(hFile, &fileinfo) == 0);
		_findclose(hFile);
	}
}

使用相对路径加载模型时，需要将生成好的.xml模型复制到.cpp文件所在的文件夹。

最终的 运行结果为：

主函数中测试的是数字0的100张测试图片，最后识别正确的图片也是100张。

一个项目实现

准备工作：将data文件夹复制到main.cpp文件所在的文件夹

#include <stdio.h>  
#include <time.h>  
#include <opencv2/opencv.hpp> 
#include <opencv2/core/core.hpp>  
#include <opencv2/highgui/highgui.hpp>  
#include <opencv2/ml/ml.hpp>  
#include <opencv/cv.h>  
#include <iostream> 
#include <io.h>

using namespace std;
using namespace cv;

void getFiles(string path, vector<string>& files);
void get_1(Mat& trainingImages, vector<int>& trainingLabels);
void get_0(Mat& trainingImages, vector<int>& trainingLabels);
void train();

int main()
{
	int result = 0;
	//char * filePath = "D:\\data\\test_image\\0";
	char * filePath = "data\\test_image\\0";
	vector<string> files;
	getFiles(filePath, files);
	int number = files.size();
	cout << number << endl;
	train();
	CvSVM svm;
	svm.clear();
	//string modelpath = "D:\\svm.xml";
	string modelpath = "svm.xml";
	FileStorage svm_fs(modelpath, FileStorage::READ);
	if (svm_fs.isOpened())
	{
		svm.load(modelpath.c_str());
	}
	for (int i = 0; i < number; i++)
	{
		Mat inMat = imread(files[i].c_str());
		Mat p = inMat.reshape(1, 1);
		p.convertTo(p, CV_32FC1);
		int response = (int)svm.predict(p);
		if (response == 0)
		{
			result++;
		}
	}
	cout << result << endl;
	getchar();
	return  0;
}

//通过文件路径遍历文件夹，实现图像批处理
void getFiles(string path, vector<string>& files)
{
	long   hFile = 0;
	struct _finddata_t fileinfo;
	string p;
	if ((hFile = _findfirst(p.assign(path).append("\\*").c_str(), &fileinfo)) != -1)
	{
		do
		{
			if ((fileinfo.attrib &  _A_SUBDIR))
			{
				if (strcmp(fileinfo.name, ".") != 0 && strcmp(fileinfo.name, "..") != 0)
					getFiles(p.assign(path).append("\\").append(fileinfo.name), files);
			}
			else
			{
				files.push_back(p.assign(path).append("\\").append(fileinfo.name));
			}
		} while (_findnext(hFile, &fileinfo) == 0);

		_findclose(hFile);
	}
}

//将数字1的图像贴标签
void get_1(Mat& trainingImages, vector<int>& trainingLabels)
{
	//char * filePath = "D:\\data\\train_image\\1";
	char * filePath = "data\\train_image\\1";
	vector<string> files;
	getFiles(filePath, files);
	int number = files.size();
	for (int i = 0; i < number; i++)
	{
		//利用循环遍历文件夹里的每一张图像
		Mat  SrcImage = imread(files[i].c_str());
		/*特征提取
		函数原型Mat reshape(int cn, int rows=0) const;
		cn为新的通道数，如果cn = 0，表示通道数不会改变
		rows为新的行数，如果rows = 0，表示行数不会改变
		reshape(1, 1)的结果就是原图像对应的矩阵将被拉伸成一个一行的向量，作为特征向量
		*/
		SrcImage = SrcImage.reshape(1, 1);
		//获取一张图片后会将图片（特征）写入到容器中，紧接着会将标签写入另一个容器中，这样就保证了特征和标签是一一对应的关系
		trainingImages.push_back(SrcImage);//将图片特征写入容器
		trainingLabels.push_back(1);//将标签写入容器
	}
}

//将数字0的图像贴标签
void get_0(Mat& trainingImages, vector<int>& trainingLabels)
{
	//char * filePath = "D:\\Projects\\visual studio 2013\\SVMTest1\\data\\train_image\\0";
	char * filePath = "data\\train_image\\0";
	vector<string> files;
	getFiles(filePath, files);//将路径对应的文件夹下的图片都存放在vector容器中
	int number = files.size();
	for (int i = 0; i < number; i++)//遍历文件夹
	{
		Mat  SrcImage = imread(files[i].c_str());
		SrcImage = SrcImage.reshape(1, 1);
		trainingImages.push_back(SrcImage);
		trainingLabels.push_back(0);
	}
}

//训练模型
void train()
{
	Mat classes;
	Mat trainingData;
	Mat trainingImages;
	vector<int> trainingLabels;
	//数字1先存入trainingImages，接着数字0存入trainingImages
	get_1(trainingImages, trainingLabels);//数字1贴标签
	get_0(trainingImages, trainingLabels);//数字0贴标签
	Mat(trainingImages).copyTo(trainingData);//将写好的包含特征的矩阵拷贝给trainingData
	trainingData.convertTo(trainingData, CV_32FC1);
	Mat(trainingLabels).copyTo(classes);//将包含标签的vector容器进行类型转换后拷贝到classes里
	//配置SVM训练器参数
	CvSVMParams SVM_params;
	SVM_params.svm_type = CvSVM::C_SVC;
	SVM_params.kernel_type = CvSVM::LINEAR;
	SVM_params.degree = 0;
	SVM_params.gamma = 1;
	SVM_params.coef0 = 0;
	SVM_params.C = 1;
	SVM_params.nu = 0;
	SVM_params.p = 0;
	SVM_params.term_crit = cvTermCriteria(CV_TERMCRIT_ITER, 1000, 0.01);
	//训练
	CvSVM svm;
	svm.train(trainingData, classes, Mat(), Mat(), SVM_params);
	//保存模型
	svm.save("svm.xml");
	cout << "训练好了！！！" << endl;
}

运行结果如下：

参考博客：https://blog.csdn.net/chaipp0607/article/details/68067098

Skye Lin
关注
  • 1
    点赞
  • 踩
  • 4
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
机器学习之手写数字识别
12-01
手写数字识别，包含0-9的手写数字，一共七万条数据，二进制格式.mat文件。我的文章里有详细介绍。一起下载 一起学习
机器学习识别手写数字0和1
07-18
在本项目中，我们主要探讨的是利用机器学习技术来识别手写数字，特别是0和1。这个任务是计算机视觉领域中的一个经典问题，通常作为入门机器学习和深度学习的实例。我们将通过OpenCV库和Visual Studio（VS）的集成...
机器学习：利用神经网络实现简单的数字识别
weixin_52255304的博客
11-09 1524
本学期的机器学习课程，作业参考了吴恩达大佬的手写数字识别实验。 以下是完成的代码： import numpy as np import scipy.io as sio from scipy.optimize import fmin_cg import matplotlib.pyplot as plt def display_data(data, img_width=20): """将图像数据 data 按照矩阵形式显示出来""" plt.figure() # 计算数据尺寸相关
机器学习实战第3天：手写数字识别
Nowl的博客
11-27 1748
手写数字识别是机器学习中的一个经典问题，通常涉及将手写数字的图像与其对应的数字进行关联。这种问题通常被认为是计算机视觉领域的一个入门任务，也是许多深度学习框架和算法的基础测试案例之一。
机器学习的图像识别：从手写数字识别到场景识别
禅与计算机程序设计艺术
01-15 1032
1.背景介绍 机器学习的图像识别技术是近年来迅速发展的一个重要领域，它在各种应用中发挥着越来越重要的作用。从手写数字识别到场景识别，图像识别技术已经取得了显著的进展。本文将从以下几个方面进行深入探讨： 背景介绍 核心概念与联系 核心算法原理和具体操作步骤以及数学模型公式详细讲解 具体代码实例和详细解释说明 未来发展趋势与挑战 附录常见问题与解答 1.1 手写数字识别的发展 手写数字识别...
手写数字识别
weixin_46556352的博客
04-01 433
import matplotlib.pyplot as plt import pandas as pd from sklearn.model_selection import train_test_split from sklearn.neighbors import KNeighborsClassifier import joblib from collections import Counter def show_digit(idx): # 加载数据 data = pd.read_.
机器学习方法朴素贝叶斯模型、knn实现手写数字识别
07-22
本项目通过这两种方法实现了一个手写数字识别系统，这在图像识别和模式识别领域具有重要的实际应用价值。 首先，朴素贝叶斯模型是一种基于概率的分类方法，其基础是贝叶斯定理。它假设特征之间相互独立，这就是...
基于机器学习方法的MNIST手写数字识别.zip
02-15
《基于机器学习方法的MNIST手写数字识别》 在当今的科技领域，人工智能（AI）已经成为一个炙手可热的研究方向，而机器学习作为AI的重要分支，它使得计算机能够通过学习数据，而不是通过编程来改善其性能。MNIST手写...
基于机器学习模型的手写数字识别.pdf
09-24
本文总结了基于机器学习模型的手写数字识别技术，该技术可以将手写的0-9十个数字识别出来。本文首先分别使用逻辑斯蒂回归算法和支持向量机算法对提取出特征向量的图片进行训练，建立模型；其次，针对不同的样本数...
神经网络案例
最白の白菜的博客
02-20 3942
目录神经网络案例数据加载数据处理模型构建模型编译模型训练模型测试模型保存总结 神经网络案例 学习目标 能够利用tf.keras获取数据集 能够网络多层神经网络的构建 能够完成网络的训练和评估 使用手写数字的MNIST数据集如上图所示，该数据集包含60,000个用于训练的样本和10,000个用于测试的样本，图像是固定大小(28x28像素)，其值为0到255。 整个案例的实现流程是： 数据加载 数据处理 模型构建 模型训练 模型测试 模型保存 首先要导入所需的工具包： # 导入相应的工具包 impor
机器学习入门实例数字识别完整示例
03-20
卷积神经网络的数字识别训练代码 python3.5 准确率98% 保存模型 画板手写测试 字体颜色和背景相差大就行 字体不能太细 有编译代码可以看到数字样本图片
机器学习数字识别数据py生成
01-29
机器学习数字识别数据py生成 机器学习数字识别数据py生成
利用机器学习识别验证码（从0到1）
李玺
06-07 4944
最近喜欢先把测试结果图放前面。大家可以先看下效果。 识别速度并不是很快，代码并没有进一步优化。 本篇主要讲的是 从制作验证码开始，到我们利用机器学习识别出来结果的过程。 之前写过一篇利用opencv进行验证码处理，感兴趣可以看看，本篇的验证码并没有过多处理：https://blog.csdn.net/weixin_43582101/article/details/90609399 利用机器学习识...
机器学习-神经网络-手写数字识别-KNN（有代码，有解析，有数据集，可视化）
m0_63669388的博客
03-07 3207
本文主要实现了基于tensorflow的手写数字识别，同时也有一个与KNN实现手写数字识别，内容较为细致，适合初步学习神经网络的友友。
机器学习——神经网络（python）手写数字识别
maggieyiyi的博客
04-02 2431
一、定义 一直以来，人们都认为神经网络是模仿生物体的神经网络设计而成的。er 神经网络既可以用于回归，也可以用于分类，但在实际应用中常用于分类。基于神经网络的深度学习因在图像识别和语音识别等领域表现优异而广为容人之。 神经元是神经网络算法的基本单元，它本质上是一种函数，接受外部刺激并根据输入产生对应的输出。它的内部可以看作线性函数和激活函数的组合，线性函数运算结果传递给激活函数，最终产生该神经元的输出结果。 二、代码 from sklearn.datasets import load_digit
基于机器学习的数字识别服务端
阿里Darker
06-28 686
代码：https://github.com/jinhang/Identify-Numbers
机器学习——手写数字识别
sz1125218970的博客
08-30 2176
这篇文章能够帮助你从数据到模型的整个过程实现不过至于安装第三方库等基础问题，本文不涉及，因为确实不难，搜一搜一大把本此实验运行环境为jupyter，当然通过pycharm也是可行的。
【机器学习入门】使用pytorch实现手写数字识别
最新发布
m0_53294028的博客
03-28 2545
今天学习的内容是以手写数字识别任务为例，展示了使用PyTorch框架构建和训练一个简单的神经网络模型的完整流程。数据预处理：定义了数据转换操作，包括将图像转换为张量和归一化处理。下载并加载了MNIST数据集，分为训练集和测试集。创建了数据加载器，用于批量加载数据并在每个epoch开始时打乱数据顺序。模型定义：使用MnistNet类定义了一个神经网络模型，该类继承自nn.Module。MnistNet类中包含了两个卷积层和两个全连接层，以及前向传播逻辑。
机器学习案例6：基于SVM的数字识别
weixin_46676835的博客
01-06 1208
机器学习案例6：基于SVM的数字识别
MNIST入门：手写数字识别与机器学习基础
"MNIST机器学习入门，包括数据集介绍、数据格式和数据内容的详细解析。" 在机器学习领域，MNIST数据集是一个非常经典且广泛使用的资源，尤其适合初学者入门。MNIST数据集专注于手写数字识别，包含了大量手写数字的...
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