python获取手写板笔记_《Python与机器学习》笔记（17）

“手写识别”实例介绍

图像识别图像识别(Image Recognition)是指利用计算机对图像进行处理、分析和理解，以识别各种不同模式的目标和对像的技术。

图像识别的发展经历了三个阶段：文字识别、数字图像处理与识别、物体识别。机器学习领域一般将此类识别问题转化为分类问题。

手写识别手写识别是常见的图像识别任务。计算机通过手写体图片来识别出图片中的字，与印刷字体不同的是，不同人的手写体风格迥异，大小不一，造成了计算机对手写识别任务的一些困难。

数字手写体识别由于其有限的类别(0~9共10个数字)成为了相对简单的手写识别任务。 DBRHD和MNIST是常用的两个数字手写识别数据集。

MNIST数据集

MNIST是一个包含数字0~9的手写体图片数据集，图片已归一化为以手写数字为中心的28*28规格的图片。 MNIST由训练集与测试集两个部分组成，各部分规模如下：训练集：60,000个手写体图片及对应标签

测试集：10,000个手写体图片及对应标签

MNIST数据集的手写数字样例：MNIST数据集中的每一个图片由28*28个像素点组成

每个像素点的值区间为0~255，0表示白色，255表示黑色。

DBRHD数据集

DBRHD(Pen-Based Recognition of Handwritten Digits Data Set)是UCI的机器学习中心提供的数字手写体数据库： https://archive.ics.uci.edu/ml/datasets/PenBased+Recognition+of+Handwritten+Digits。

DBRHD数据集包含大量的数字0~9的手写体图片，这些图片来源于44位不同的人的手写数字，图片已归一化为以手写数字为中心的32*32规格的图片。 DBRHD的训练集与测试集组成如下：训练集：7,494个手写体图片及对应标签，来源于40位手写者

测试集：3,498个手写体图片及对应标签，来源于14位手写者

DBRHD数据集特点：去掉了图片颜色等复杂因素，将手写体数字图片转化为训练数据为大小32*32的文本矩阵

空白区域使用0代表，字迹区域使用1表示。

“手写识别”实例

已有许多模型在MNIST或DBRHD数据集上进行了实验，有些模型对数据集进行了偏斜矫正，甚至在数据集上进行了人为的扭曲、偏移、缩放及失真等操作以获取更加多样性的样本，使得模型更具有泛化性。常用于数字手写体的分类器：线性分类器

K最近邻分类器

Boosted Stumps

非线性分类器

SVM

多层感知器

卷积神经网络后续任务：利用全连接的神经网络实现手写识别的任务