手写数字识别c++实现，opencv1.0

最新推荐文章于 2024-04-29 23:08:08 发布
最新推荐文章于 2024-04-29 23:08:08 发布
阅读量2.3k 收藏 61
点赞数 6
分类专栏： 笔记 文章标签： 模式识别
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/weixin_43444704/article/details/115980116
版权 
	【实验项目名称】
	手写数字特征提取方法与实现
	【实验目的】
	通过手写数字特征的提取，了解数字的特征提取方法，掌握特征匹配准则。
【实验原理】
读取标准化后的数字0~9，二值化，对每个数字进行等分区域分割，统计	每个区域内的黑色像素点的个数，即为特征初值。采用欧式距离的模板匹配			法判断数字。
【实验要求】
给定数字0-9的原始样本集合，每个数字都有10个大小为240*240的样本		图像。要求如下：
1、	将上述图像切分成标准图像库，存储为文件。
2、	对每个数字进行等分区间分割（分割区间至少大于等于10*10）
3、	给出统计结果：每个区域内的黑色像素点个数值以及占总量的百分	比，显示出计算结果。
4、	采用欧氏距离模板匹配法，给出识别结果。
5、	从统计意义上，给出每个数字的识别率。

具体步骤如下
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

在这里插入图片描述
使用vc++6.0以及opencv1.0实现，opencv需要提前进行环境配置。

// NumberReg.cpp : Defines the entry point for the console application.
#include "stdafx.h"
#include "cv.h"
#include "highgui.h"
#include "string.h"
#include "malloc.h"
#include "stdio.h"
#include<stdlib.h> 
#define M 14
#define N 14
#pragma comment(lib,"cv.lib")
#pragma comment(lib,"cxcore.lib")
#pragma comment(lib,"highgui.lib")
#pragma comment(lib,"cvaux.lib")
#pragma comment(lib,"cvcam.lib")
char* StandardStr(IplImage *img)//获取分块后的01字符串
{
	int wp=img->widthStep;
	char *str=(char *)malloc(M*N+1);//动态建立字符串。

	uchar *data=(uchar *)img->imageData;
	int count=0;//计数
	for(int i=0;i<M;i++)
	{
		for(int j=0;j<N;j++)
		{
			if(data[2*i*wp+2*j]>127)
			{
				count++;
			}
			if(data[(2*i+1)*wp+2*j]>127)
			{
				count++;
			}
			if(data[2*i*wp+(2*j+1)]>127)
			{
				count++;
			}
			if(data[(2*i+1)*wp+(2*j+1)]>127)
			{
				count++;
			}
			if(count>1)//块里面像素值大于127的个数大于一半
			{
				str[i*M+j]='1';
			}
			else//块里面像素值大于127的个数小于一半
			{
				str[i*M+j]='0';
			}
			count=0;
		}
	
	}
	str[M*N]='\0';//字符串结尾
	return str;
}
void WriteStr(char* str,char *filename,FILE *fp,char *i,char *j)
{	
	remove(filename);
	//FILE *fp;
	if(fp==NULL)
	{
        puts("Fail to open file!");
    }
	else
	{
		char *str1=(char *)malloc(strlen(str)+3);
		strcpy(str1,i);
		strcat(str1,j);
		strcat(str1,str);
		fprintf(fp,"%s\n",str1);
	}
}
void train(int row)//获得要测试的数据
{
	remove("C:\\Users\\曹人\\Desktop\\train.txt");
	IplImage *img=0;
	FILE *fp;
	fp=fopen("C:\\Users\\曹人\\Desktop\\train.txt","a+");
	//地址
	for(int i=0;i<10;i++)
	{
		for(int j=0;j<10;j++)
		{	//获取数字0-9各10张图片
			char *address=(char *)malloc(sizeof("C:\\Users\\曹人\\Desktop\\手写数字数据集\\train-images\\")+10);
			char *a=(char *)malloc(1),*b=(char *)malloc(2);
			itoa(i,a,10);
			itoa(j+10*row,b,10);//取训练集当中的10开始的数字
			
			strcpy(address,	"C:\\Users\\曹人\\Desktop\\手写数字数据集\\train-images\\");
			strcat(address,a);
			strcat(address,"_");
			strcat(address,b);
			strcat(address,".bmp");
			img=cvLoadImage(address,0);
			WriteStr(StandardStr(img),"C:\\Users\\曹人\\Desktop\\train.txt",fp,a,b);
			free(address);
		}
	}
	fclose(fp);
}
void test()//获取标准化后数据
{
	IplImage *img=0;
	FILE *fp;
	remove("C:\\Users\\曹人\\Desktop\\test.txt");
	fp=fopen("C:\\Users\\曹人\\Desktop\\test.txt","a+");
	//地址
	for(int i=0;i<10;i++)
	{
		for(int j=10;j<100;j++)
		{	//获取数字0-9各10张图片
			char *address=(char *)malloc(sizeof("C:\\Users\\曹人\\Desktop\\手写数字数据集\\test-images\\")+10);
			char *a=(char *)malloc(1),*b=(char *)malloc(2);
			itoa(i,a,10);
			itoa(j,b,10);
			
			strcpy(address,	"C:\\Users\\曹人\\Desktop\\手写数字数据集\\test-images\\");
			strcat(address,a);
			strcat(address,"_");
			strcat(address,b);
			strcat(address,".bmp");
			img=cvLoadImage(address,0);
			WriteStr(StandardStr(img),"C:\\Users\\曹人\\Desktop\\test.txt",fp,a,b);
			free(address);
		}
	}
	fclose(fp);
}
char* ReadStr(FILE *fp,int i,int n)
{
	//FILE*fp;
	int CurrentIndex=0;
	char *StrLine=(char *)malloc(n);
	//fp = fopen(filename,"r+");
	fseek(fp,0,SEEK_SET);//指针调到最开始。
	if(fp == NULL) //判断文件是否存在及可读
    { 
        printf("error!"); 
        return NULL; 
    }
	while (!feof(fp)) 
    { 
    
        if (CurrentIndex==i)
        {
            fgets(StrLine,n,fp);  //读取一行
            printf("%s", StrLine); //输出
            return StrLine;
        }
        fgets(StrLine,n,fp); //读取一行,并定位到下一行
        CurrentIndex++;
    }
	return NULL;
}
void ShowImage(char *str)
{
	IplImage *img=cvLoadImage("C:\\Users\\曹人\\Desktop\\show.bmp",0);//存储结果的照片
	int wp=img->widthStep;
	uchar *data=(uchar *)img->imageData;
	int Inum=2;
	for(int i=0;i<M;i++)
	{
		for(int j=0;j<N;j++)
		{
			data[2*i*wp+2*j]=(str[Inum]-'0')*255;//依次一个小块
			data[(2*i+1)*wp+2*j]=(str[Inum]-'0')*255;
			data[2*i*wp+(2*j+1)]=(str[Inum]-'0')*255;
			data[(2*i+1)*wp+(2*j+1)]=(str[Inum]-'0')*255;
			Inum++;
		}
	
	}
	/*for(int i=0;i<img->width;i++)
	{
		for(int j=0;j<img->height;j++)
		{
			if(data1[i*wp+j]>0)
			{
				data1[i*wp+j]=255;
			}
			printf("%d",data1[i*wp+j]/255);
		}
		printf("\n");
	}*/
	cvNamedWindow("First", 0);
	cvShowImage("First", img);
	cvWaitKey(0);	
}
double Odistance(char *num,char *rightNum)//求欧氏距离
{
	int Sq=0;
	for(int i=3;rightNum[i]!='\n';i++)
	{
		int a=num[i-1]-'0';//需要被识别的数字。
		//int a=num[i]-'0';
		int b=rightNum[i]-'0';
		Sq+=(a-b)*(a-b);
	}
	return sqrt(Sq);
}
bool JudgeImage(char *Number,FILE *fp,int n)//遍历每一个测试集的图片。
{
	double minDistance=100000.0;//记录最短欧氏距离。
	char rightNumber;//识别出的数字
	char location;//识别出的数字的位置。
	char *StrLine=(char *)malloc(n);
	fseek(fp,0,SEEK_SET);//指针调到最开始。
	if(fp == NULL) //判断文件是否存在及可读
    { 
        printf("error!"); 
        return NULL; 
    }
	while (!feof(fp)) 
    { 
        fgets(StrLine,n,fp); //读取一行,并定位到下一行
		double temp=Odistance(Number,StrLine);
		if(minDistance>temp)//当找到一个更接近的就更换原来的数。
		{
			rightNumber=StrLine[0];
			location=StrLine[1];
			minDistance=temp;
		}
    }
	if(rightNumber==Number[0])
	{
		printf("第几行%c\n",rightNumber);
		printf("第几列%c\n",location);
		return true;
	}
	printf("识别错误，识别的是%c,第%c个\n",rightNumber,location);
	return false;
}
int main(int argc, char* argv[])
{
	/*IplImage *img=0;
	//地址
	for(int i=0;i<10;i++)
	{
		for(int j=0;j<10;j++)
		{	//获取数字0-9各10张图片
			char *address=(char *)malloc(sizeof("C:\\桌面\\手写数字数据集\\train-images\\")+10);
			char *a=(char *)malloc(1),*b=(char *)malloc(1);
			itoa(i,a,10);
			itoa(j,b,10);
			
			strcpy(address,	"C:\\桌面\\手写数字数据集\\train-images\\");
			strcat(address,a);
			strcat(address,"_");
			strcat(address,b);
			strcat(address,".bmp");
			img=cvLoadImage(address,0);
			WriteStr(StandardStr(img,14,14),"C:\\桌面\\train.txt",a,b);
			free(address);
		}
	}*/
	int row=0;
	train(row);//训练集。
	test();
	/*FILE *fp;
	fp=fopen("C:\\Users\\曹人\\Desktop\\test.txt","r");
	ShowImage(ReadStr(fp,48,200));//展现需要的图片。
	fclose(fp);*/
	FILE *fpTrain;
	FILE *fpTest;
	fpTrain=fopen("C:\\Users\\曹人\\Desktop\\train.txt","r");
	fpTest=fopen("C:\\Users\\曹人\\Desktop\\test.txt","r");
	int Tnum=0;
	int i=0;
	int Dinum[11]={0};
	for(i=0;i<100;i++)
	{
		//ShowImage(ReadStr(fpTest,i,201));//展现压缩后的的图片。
		if(JudgeImage(ReadStr(fpTrain,i,202),fpTest,201))
		{
			Dinum[i/10]++;
			Tnum++;
		}
	}
	for(i=0;i<10;i++)
	{
		printf("数字%d的正确率为%d%%\n",i,Dinum[i]*10);
	}
	printf("\n\n");
	printf("总的正确率%d%%",Tnum);
	//printf("%d",JudgeImage(ReadStr(fpTrain,99,201),fpTest,200));	
	fclose(fpTrain);
	fclose(fpTest);
	/*for(int i=0;i<img->width;i++)
	{
		for(int j=0;j<img->height;j++)
		{
			if(data1[i*wp+j]>0)
			{
				data1[i*wp+j]=255;
			}
			printf("%d",data1[i*wp+j]/255);
		}
		printf("\n");
	}*/
	//cvNamedWindow("First", 0);
	//cvShowImage("First", img);
	//cvWaitKey(0);
	return 0;
}

注意文件存放的位置

附件如下链接：
https://pan.baidu.com/s/1W4CIVKlptYX00rqbx46xFA
提取码：kzcp

曹人cc
关注
  • 6
    点赞
  • 踩
  • 61
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
c++手写数字识别（贝叶斯分类器）
m0_57587079的博客
10-14 4038
大家好啊！这次的文章是上一个文章的后续，与上一次不同的是，这一次对数字识别采用的是贝叶斯（Bayes）分类器。贝叶斯在概率论与数理统计这门课讲过，下面我们简单了解一下： 首先，贝叶斯公式是 具体的解释就不说了，我们说一说把贝叶斯用在数字识别的什么位置。除了识别部分，其他的包括遍历文件夹和图片数字化都不变；0到9共十个数，所以分母有十项，P(Bj)(j是下标)相应的是0到9，则每一个的概率是1/10，分子上的P(Bi)是取到0到9中的一个，所以概率也是1/10。（小伙伴如果看不...
ZYNQ图像处理项目——模板匹配数字识别(1)
qq_40995480的博客
10-16 3324
zynq数字识别，matlab仿真
c++实现手写数字识别
最新发布
qq_43145360的博客
04-29 59
c++实现手写数字识别
基于C++,OpenCV3以及SVM的手写数字识别系统的设计（从手写数字识别设计中认识SVM）
Wendy的博客
03-04 2115
目录1、数据准备2、训练集和测试集划分3、SVM模型训练3.1 数据准备3.2 特征选取3.3 配置SVM训练器参数3.4 保存模型4、加载模型实现分类 1、数据准备 在OpenCV的安装路径下，搜索digits.png，可以得到一张图片，图片大小为1000* 2000,有0-9的10个数字，每5行为一个数字，总共50行，共有5000个手写数字，每个数字块大小为20* 20。 如下图所示： 下面将把这些数字中的0和1作为二分类的准备数据。其中0有500张，1有500张。 代码如下： #include &l
OpenCv 入门 -- 如何识别信用卡上的数字
xiaolv1226的博客
06-30 395
OpenCv 入门 OpenCv 入门 -- 对小猪佩琪进行平滑处理 @ Fu Xianjun. All Rights Reserved. 文章目录OpenCv 入门前言一、导包二、处理图像三、显示图片四、结果展示总结 \ 前言 OpenCV是一个跨平台计算机视觉库，用C++语言编写，用于图像处理、分析。本文将讲解如何使用OpenCv来对图片peppa进行平滑处理。 一、导包 日常导包： import cv2 import numpy as np img = cv2.imread("peppa
OpenCV4 视频目标检测 场景文本检测 手写数字识别 案例
qq_26827831的博客
04-25 1237
转载 一直想找本书，能在机器学习复杂的算法原理和高效的编程实战之间达到合适的平衡：让感兴趣的同学拿到就有能用的代码，还有基本原理的介绍，因为了解原理才知道什么时候用什么算法最合适，以及如何调整参数。 一直没找到合适的，所以动手写了一本：p 拖拖拉拉花了三年多时间，幸运的是三年间技术一直在进步，也就有机会将最新的OpenCV4机器学习ML和深度学习DNN模块的精彩呈现在纸面，汇集了大量的算法原理与对应的示例程序，希望能对大家的学习有所帮助：） 本文的思路是： 先介绍涉及的知识体系和主要特色，并...
【opencv/c++/机器学习】人工神经网络ANN识别数字
挑食de猪队友的博客
07-14 1513
目录 前言 一.模型训练 二.数字预测 前言 本级环境：win10/vs2017/opencv3.4.0/c++ 训练样本：数字0-9 共十组 每组50张图片 一.模型训练 代码： 注意：win7与win10句柄的定义类型有所区别，具体的代码中已注释 #include <io.h> #include <string> #include...
opencv手写数字识别C++
11-30
在"数字识别源程序_重要的OpenCV程序"这个压缩包中，很可能包含了一个使用C++实现的OpenCV手写数字识别程序。程序可能包括了上述的预处理、特征提取和分类过程，具体代码会涉及OpenCV的函数调用，如`cv::imread()`...
C++编程实现的手写数字识别
05-07
总的来说，C++实现手写数字识别是一个涉及多领域知识的综合项目，需要理解和运用图像处理、机器学习以及编程技巧。通过这个项目，不仅可以提升编程技能，还能深入理解图像识别背后的原理和技术。在实践中，你将不断...
【OpenCV/C++】KNN算法识别手写数字
09-11
在本项目中，我们主要探讨的是使用OpenCV库和C++实现K近邻（K-Nearest Neighbor，简称KNN）算法对手写数字进行识别。OpenCV是一个强大的计算机视觉库，广泛应用于图像处理和机器学习等领域。Visual Studio 2019作为...
基于Opencv实现简易的手写汉字识别.zip
11-23
在本项目"基于Opencv实现简易的...总之，这个项目展示了如何利用OpenCV和机器学习技术实现手写汉字识别，涵盖了图像处理、特征提取、模型训练与识别等多个关键环节，是计算机视觉和自然语言处理领域的一个实用案例。
基于KNN分类器的ocr(数字识别)C++源代码，参考的opencv sample
09-08
使用opencv库， 基于KNN分类器的ocr(数字识别)，参考了opencv2.0的例子，进行了部分改编，C++的实现，欢迎下载！
基于opencv的手写数字字符识别
11-29
实现了基于opencv 的手写数字字符识别 主要参照文章： http://blog.damiles.com/2008/11/basic-ocr-in-opencv/ 基本上就是按着人家的代码来配置的，完后小改动了几个参数，写了一个文档，方便大家学习吧。
手写数字识别 VS+opencv.rar
06-21
标题中的“手写数字识别 VS+opencv.rar”表明这是一个基于Visual Studio 2017（VS2017）和OpenCV 4.3库的项目，主要目标是实现手写数字的识别。OpenCV是一个强大的计算机视觉库，广泛应用于图像处理和机器学习领域。...
神经网络_手写数字识别神经网络c++实现_
09-30
总结起来，实现手写数字识别的神经网络C++项目涉及到多个步骤，包括数据处理、网络构建、训练、评估和优化。这个过程中，理解神经网络的基本原理、熟悉C++编程和选择合适的库至关重要。通过不断迭代和优化，我们可以...
Opencv 1.0中文手册.rar_OpenCV1.0 用户手册_Opencv1.0 使用_opencv1.0中文_openc
07-14
OpenCV1.0用户手册，有函数接口说明，实例demo
c++ 数字识别
weixin_39518639的博客
02-18 1400
// 数字识别.cpp : 定义控制台应用程序的入口点。 #include "stdafx.h" #include<stdio.h> #include<stdlib.h> #include<windows.h> #include<String.h> #include<time.h> #include <core.hpp> #include <highgui.hpp> #include <opencv2/high
C++实现手写数字识别
chennbnbnb的博客
07-29 5867
/* @作者:CHH @版本V1.0 @邮箱:chh_is_dog@163.com @编写时间:2019-7-29 @功能:使用反向传播神经网络识别手写字体 @使用方法: 1.生成的文件会自动到同一目录下寻找MNIST的四个手写字体库 2.字体库下载地址:http://yann.lecun.com/exdb/mnist...
OpenCV 图片数字识别(C++)
人工智能
08-06 5734
下面是用C++来实现的 该算法的过程与上述相同，但该算法只使用第一层次的等高线，因此算法只对每一个数字使用相同的外部轮廓。 创建示例和标签数据的代码 //Process image to extract contour Mat thr,gray,con; Mat src=imread("digit.png",1); cvtColor(src,gray,CV_BGR2GRAY); threshold(gray,thr,200,255,THRESH_BINARY_INV); //Threshold to
使用MNIST基于c++和opencv 手写数字识别
06-09
好的，这是一个非常有趣的问题。MNIST是一个非常著名的手写数字数据集，用于测试机器学习算法的性能。在C++中，我们可以使用OpenCV库来读取和处理图像数据，并使用机器学习库（如TensorFlow）来构建数字识别模型。下面是一个基本的MNIST手写数字识别示例： 1. 首先，我们需要下载MNIST数据集，可以从官方网站下载：http://yann.lecun.com/exdb/mnist/ 2. 接下来，我们需要使用OpenCV库来读取图像数据。可以使用以下代码： ``` cv::Mat image = cv::imread("mnist_image.png", CV_LOAD_IMAGE_GRAYSCALE); ``` 这将读取图像数据并将其转换为灰度图像。 3. 然后，我们需要将图像数据转换为适合机器学习算法的格式。可以使用以下代码： ``` cv::Mat_<float> image_data = image.reshape(1, 1); image_data /= 255.0f; ``` 这将将图像数据转换为一个浮点数矩阵，并将其归一化为0到1之间的值。 4. 接下来，我们可以使用机器学习库来构建数字识别模型。这里假设我们使用TensorFlow库。可以使用以下代码： ``` tensorflow::GraphDef graph_def; tensorflow::Session* session; tensorflow::SessionOptions session_options; tensorflow::ReadBinaryProto(tensorflow::Env::Default(), "mnist_model.pb", &graph_def); session_options.config.mutable_gpu_options()->set_allow_growth(true); session = tensorflow::NewSession(session_options); tensorflow::Status status = session->Create(graph_def); ``` 这将读取预训练的数字识别模型，并创建一个TensorFlow会话。 5. 最后，我们可以使用以下代码来预测图像中的数字： ``` tensorflow::Tensor input_tensor(tensorflow::DT_FLOAT, tensorflow::TensorShape({1, 784})); auto input_tensor_mapped = input_tensor.tensor<float, 2>(); for (int i = 0; i < 784; i++) { input_tensor_mapped(0, i) = image_data(0, i); } std::vector<tensorflow::Tensor> output_tensors; tensorflow::Status status = session->Run({{"input", input_tensor}}, {"output"}, {}, &output_tensors); float* prediction = output_tensors[0].flat<float>().data(); ``` 这将将图像数据输入到数字识别模型中，并返回一个浮点数数组，表示每个数字的概率。我们可以选择具有最高概率的数字作为预测结果。 希望这个示例可以帮助你了解如何在C++中基于OpenCV实现MNIST手写数字识别。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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