基于决策树的手写数字识别 (OpenCV)

该博客介绍了如何使用OpenCV 4.5.1和C++20在Ubuntu 20.04上实现基于决策树的手写数字识别。文章提供素材来源,并详细说明了项目的配置文件、源代码结构和实例。
摘要由CSDN通过智能技术生成

OpenCV 4.5.1
C++20
Ubuntu 20.04

素材

来源,基于 K近邻博文 中原5000个手写数字得到的按行排列的手写数字数据以及对应行的标签, 保存为图片后直接放到这里使用,避免重复数据处理

(右键图片另存为)

行数据.png
在这里插入图片描述
标签.png
在这里插入图片描述
3.png
在这里插入图片描述

组态档

# 设置用于构建该项目的最低cmake版本
cmake_minimum_required(VERSION 3.1)

# 设置项目名称和编程语言
project(opencv_demo CXX)

# 寻找opencv的头文件和库文件
find_package(OpenCV REQUIRED)

# opencv头文件路径
include_directories(${OpenCV_INCLUDE_DIRS})
# opencv库路径
link_directories(${OpenCV_LIBRARY_DIRS})
# 自定义头文件路径
include_directories(include)
# 设置二进制文件生成路径
set(EXECUTABLE_OUTPUT_PATH ${PROJECT_SOURCE_DIR}/bin)
# 获取源码的路径
aux_source_directory(src src)

# 设置编译标准和额外参数
add_compile_options(-std=c++20 -Wall -Werror -Wextra -pedantic -Wimplicit-fallthrough -Wsequence-point -Wswitch-default -Wswitch-unreachable -Wswitch-enum -Wstringop-truncation -Wbool-compare -Wtautological-compare -Wfloat-equal -Wshadow=global -Wpointer-arith -Wpointer-compare -Wcast-align -Wcast-qual -Wwrite-strings -Wdangling-else -Wlogical-op -Wconversion -Wno-pedantic-ms-format)

# 从源码构建二进制文件
add_executable(demo ${src})

# 链接opencv库到二进制文件
target_link_libraries(demo ${OpenCV_LIBRARIES})

源码

/**
 * @file dtrees.cpp
 * @author IYATT-yx 2514374431@qq.com
 * @date 2021-3-14
 * @brief 基于决策树的手写数字识别 (OpenCV 4.5.1)
 */
#include <iostream>
#include "opencv2/highgui.hpp"
#include "opencv2/core.hpp"
#include "opencv2/ml.hpp"
#include "opencv2/imgproc.hpp"

int main()
{
   
  • 0
    点赞
  • 5
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
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
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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