本实验代码已上传面包多，请点击购买，或者关注[全都是码农]公众号，回复[最近邻]，限时免费获取！python
实验概述
本实验皆在运用OpenCV、Python等工具采用适当的算法对手写体数字进行识别与检测，能够提供训练集与测试集进行训练，并能够输入手写字体进行测试检验。web
经过独立的完成本实验，能够极大地提升本人对于Python、OpenCV的理解，掌握手写数字的特征提取技术和最近邻模板匹配法。算法
环境说明
系统：window 10app
软件：PyCharm Community Edition 2020.2.2 x64编辑器
语言：python 3.6函数
环境：cv2，numpy，matplotlib.pyplot，time工具
数据集
本数据集为100张图片，分别为数字0-9，每一个数字10张图片，8张训练集，2张测试集。以下：学习
图 1 数字零
图 2 数字一
图 3 数字二
图 4 数字三
术语定义
训练集：能够训练模型参数，使模型拟合于正确的预测函数。测试
测试集：经过训练过的模型进行检验，评估最终模型泛化能力。字体
验证集：用于调超参数，监控模型是否发生过拟合。
需求说明
实验内容
\1. 学习利用行列扫描的方法获取手写数字的上、下、左、右位置的子程序。
\2. 设计手写数字的特征提取算法，并编写对应特征提取程序。
\3. 编写基于最近邻模板匹配的手写数字识别程序。
实验结果与分析
记录输入数字0-9各10个，程序运行后相应的识别结果，并对结果进行深刻分析。
\1. 记录每一个样品的特征提取效果图。
\2. 记录该样品对应的归一化后的特征值。
\3. 统计每一个数字正确识别率。并对错误识别的状况进行深刻分析。
软件设计
1、体系设计图
img
函数清单
函数名
函数功能简述
函数接口简述
ImgToNp()
将图片的路径导入到矩阵中。
输入：无 输出：图片路径矩阵
outFeature()
处理特征函数并贴标签。
输入：图片路径矩阵 输出：训练图片矩阵集与标签集
star()
程序按照预设好的结构进行循环测试与输出。
输入：训练图片矩阵集与标签集 输出：训练结果
TestImgToNp()
输入测试图片，并转化为矩阵。
输入：测试图片地址。 输出：测试图片矩阵。
outfeatureImg()
输出特征图与特征值。
输入：训练图片矩阵集 输出：保存特征图与特征值为文件。\
代码介绍
(一)Mainapp.py代码
mainapp.py为主程序，表1函数清单中的函数均包含于其中。
运行程序后，程序先行运用ImgToNp()函数将img文件夹中0-9文件夹里的80个样本图片转化为矩阵保存于变量中并将其返回。
image-20201128202625504
image-20201128202640461
image-20201128202720385
image-20201128202731144
4、实验结果
运行mainapp.py后，输出框以下所示：
\1. 图片地址以导入矩阵......
\2. 准备提取特征......
\3. 特征以存储于feature矩阵......
\4. 准备贴标签......
\5. 标签以贴完......
\6. 是否输出特征图与特征值？y/n:
输入y时，程序将输出80张样本的特征值与特征图，分别存储于”./fandimg/{0-9}”，以及”./fandimg/featureArray/{0-9}”中。以下图：
程序继续运行，输出框输出：
1. 3-9.bmp 这张图判断错误了，系统判断为：1 最接近的三个结果为：[[3. 7. 1.]]可是正确结果为：3
2. 4-9.bmp 这张图判断错误了，系统判断为：1 最接近的三个结果为：[[1. 1. 1.]]可是正确结果为：4
3. 5-10.bmp 这张图判断错误了，系统判断为：1 最接近的三个结果为：[[5. 1. 1.]]可是正确结果为：5
4. 6-10.bmp 这张图判断错误了，系统判断为：1 最接近的三个结果为：[[1. 1. 1.]]可是正确结果为：6
5. 7-9.bmp 这张图判断错误了，系统判断为：1 最接近的三个结果为：[[1. 1. 1.]]可是正确结果为：7
6. 8-9.bmp 这张图判断错误了，系统判断为：3 最接近的三个结果为：[[8. 9. 3.]]可是正确结果为：8
7. 8-10.bmp 这张图判断错误了，系统判断为：9 最接近的三个结果为：[[8. 9. 9.]]可是正确结果为：8
8. 9-9.bmp 这张图判断错误了，系统判断为：1 最接近的三个结果为：[[9. 7. 1.]]可是正确结果为：9
f
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
