pythongui界面手写_Python实现手写体数字图片识别+GUI界面+画板数字识别

__pycache__文件夹是Python自动生成的，详细了解https://blog.csdn.net/yitiaodashu/article/details/79023987

其他各个文件在之后部分会依次介绍

图片识别

版本：

python3.6

tensorflow 1.13.1(一定要安装1.几版本，不要安装2.几)

运行时可能有很多warning，不影响运行结果

此部分大多程序参考《TensorFlow实战Google深度学习框架》

这里使用的是基于全连接层网络结构的神经网络，对数字识别已经有了不错的效果，但使用卷积神经网络还可以提高正确率(大约99.2%)，比如LeNet-5模型(https://blog.csdn.net/louishao/article/details/60867339)

在开始正式做之前，先看几篇博客大致了解一下MNIST数据集：

https://blog.csdn.net/qq_38269418/article/details/78991649

https://blog.csdn.net/wspba/article/details/54311566

MNIST是深度学习的经典入门demo，他是由6万张训练图片和1万张测试图片构成的，每张图片都是28*28的灰度图，像素取值为0~1。这些图片是采集的不同的人手写从0到9的数字。TensorFlow将这个数据集和相关操作封装到了库中，每一张图片是一个长度为784的一维数组。

下面展示一些

内联代码片。

from tensorflow.examples.tutorials.mnist import input_data

1

会自动下载封装好的数据集。但是我自己引入minst数据集会报各种各样的错误，印象最深刻的是

我以为是自己tensorflow和python版本的问题，因为我同学就很顺利就成功了，说真的浪费了好多时间在这个问题上，最后终于发现是数据集的原因，都快高兴哭了https://blog.csdn.net/weixin_30699955/article/details/98091451

MNIST_data就是我根据这篇博客下载的tensorflow_mnist数据集

接下来是数字图片识别相关的文件：

mnist_inference.py文件定义了前向传播过程以及神经网络的参数。三层全连接网络结构，通过加入隐藏层实现了多层网络结构。

mnist_train.py定义了神经网络的训练过程。运行mnist_train.py文件便会开始训练模型，MNIST_model文件已经有训练好的模型，你也可以删掉或修改然后重新训练。

MNIST_model文件夹保存了已经训练30000次的模型

mnist_eval.py文件定义了测试过程。运行mnist_eval.py文件就是计算在mnist数据集上测试1万张图片的正确率。比如在MNIST数据集10000张测试图片上的正确率

picture文件夹存放的是自己手写数字的图片

app.py文件实现了测试自己手写数字的图片。运行后直接识别picture文件夹里的所有图片。

遇到的困难

不知道模型训练好了怎么测试自己手写的图片

mnist_inference.py、mnist_train.py 和 mnist_eval.py这三个文件已经可以实现训练模型和测试正确率。之后怎么测试自己的图片呢？

输入节点是长度为784的数组，所以得把自己的图片转化为长度是784的数组，才能输入到模型里，才能得到结果。

代码在app.py里的image_prepare()函数，通过使用图像处理库PIL把图片转化为灰度图并且修改尺寸为28*28，然后转化为数组。

测试自己手写图片的正确率太低

在mnist测试数据集上的正确率有98%以上，而测试自己手写数字的正确率太低了，大部分数字都被识别成8。

这部分我参考了https://blog.csdn.net/qq_43479622/article/details/90906094，从这里我们可以看出找到几个原因

mnist数据集图片是黑底白字，而我们平时都是白底黑字，所以要对测试图片灰度反转。

修改后已经可以识别几个数字了，但还是很多被识别成了8。原因是自己拍的图片有很多噪点，直接输入给模型就因为噪点太多，被误认为是8。

二值化来降噪

使用opencv二值化图像cv2.threshold(img,127,255,cv2.THRESH_BINARY)

虽然还有少量噪点，但已经有很好的识别效果了。(还可以再调整阈值)

对自己手写图片的选取可以参考：

https://blog.csdn.net/qq_38269418/article/details/78991649

Gui界面

run1.py是界面文件

timg是界面背景图，你也可以自己选

利用PyQt画界面按钮和文本框的介绍网上有很多。直接拿过来用就好。这部分的关键是怎么把app.py的思路搬进run1.py。如果你的app.py运行顺利的话，这部分也不会很难。

这部分我有两个错误：

代码顺序引起的问题

错误代码：

evaluate(pic)

def evaluate(pic):

。。。

123

改正代码：

def evaluate(pic):

。。。

evaluate(pic)

123

图片名称输出错误

pic_name是函数参数，在app.py的时候设置了，但是在run1.py里我并没有设置这个参数，即使设置也会出现别的错误。于是我先把pic_name设置成100行的“x”看输出是否有错误。最终控制面板输出是 x is 4。由此可见其他程序都没有问题

经别人介绍用了如图第99行的函数来进行图片名称的调用。

画板数字识别

思路：在画板上画数字，之后截图输出，再通过GUI界面选择这张图片进行识别。

as.png截图画板输出的图片。

导出.png是画板左上角的图标，点击后生成as.png。

now.py运行后，出现画板界面。

画板：https://www.jb51.net/article/126189.htm

需要一个列表来保存所有移动过的点，然后把所有相邻两个点之间都画一条线，就能断断续续连成鼠标的痕迹了。当鼠标按住移动然后松开的时候，往保存所有移动过的点的列表中添加一个断点(-1, -1)。然后在每次画线的时候，都判断一下是不是断点，如果是断点的话就想办法跳过去，并且不连续

的开始接着画线。

截图：https://blog.csdn.net/mxdzchallpp/article/details/79097951?utm_source=blogxgwz4&utm_medium=distribute.pc_relevant.none-task-blog-utm_term-3&spm=1001.2101.3001.4242

最终结果：

注意：

画板中使用的是drawline函数，如果画笔线条很细，识别率特别低，除非通过不断描绘，人为加粗线条，最终识别率还挺高的。但是最简单的方法还是设置画笔粗细。

https://blog.csdn.net/La_vie_est_belle/article/details/84930977?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522160429169019724822515101%2522%252C%2522scm%2522%253A%252220140713.130102334.pc%255Fall.%2522%257D&request_id=160429169019724822515101&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2allfirst_rank_v2~rank_v28-1-84930977.first_rank_ecpm_v3_pc_rank_v2&utm_term=PYQT++绘图%2B打印&spm=1018.2118.3001.4449

PS：如有需要Python学习资料的小伙伴可以加点击下方链接自行获取