linux手写数字识别,mnist手写数字识别与图片预处理

用户mnist训练了一个模型，想用自己的图片进行测试，需要将自己的图片进行预处理为mnist需要的1*784的二维张量。

因为MNIST数据是28*28的黑底白字图像，而且输入时要将其拉直，也就是可以看成1*784的二维张量(张量的值在0~1之间)，所以我们要对图片进行预处理操作，是图片能被网络识别。

引入的库import tensorflow as tf

import pylab

from PIL import Image

import numpy as np

以下为图片预处理过程img = Image.open('./mytestcode/666.jpg').convert('L') # 读取图片转成灰度格式

img = img.resize((28, 28)) # 更改图片大小  我的图片原始大小为：(366, 368)

npimg1 = np.array(img) # 转为numpy矩阵

flatten_img = npimg1.reshape(1, 784) # 转为mnist1*784二维张量

# 以下意思是把白色背景转为黑色背景，因为训练的都是黑色背景

new_flatten_img = (255-flatten_img)/255.0

new_flatten_img = new_flatten_img.reshape(1, 784) #      --------  该数据可直接被模型识别

print(new_flatten_img.shape)

以下为用训练好的模型识别过程tf.reset_default_graph()

# tf Graph Input

x = tf.placeholder(tf.float32, [None, 784]) # mnist data维度 28*28=784

y = tf.placeholder(tf.float32, [None, 10]) # 0-9 数字=> 10 classes

# Set model weights

W = tf.Variable(tf.random_normal([784, 10]))

b = tf.Variable(tf.zeros([10]))

# 构建模型

pred = tf.nn.softmax(tf.matmul(x, W) + b) # Softmax分类

saver = tf.train.Saver()

model_path = "log/521model.ckpt"  # 这是我训练好模型的保存位置

with tf.Session() as sess:

# 初始化

sess.run(tf.global_variables_initializer())

# 从先前保存的模型恢复模型权重

saver.restore(sess, model_path)

output = tf.argmax(pred, 1)

outputval = sess.run(output, feed_dict={x: new_flatten_img})

print(outputval) # 为预测结果

#print(batch_xs.shape)

# 打印自己的图片

im = flatten_img

im = im.reshape(-1,28)

pylab.imshow(im)

pylab.show()