基于决策树的手写数字识别 (OpenCV)

最新推荐文章于 2023-08-18 18:02:54 发布
最新推荐文章于 2023-08-18 18:02:54 发布
阅读量1.5k 收藏 5
点赞数
分类专栏： OpenCV基础 文章标签： OpenCV 决策树
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_45579994/article/details/114769346
版权
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()
{
最低0.47元/天 解锁文章
「已注销」
关注
  • 0
    点赞
  • 踩
  • 5
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
手写数字识别：基于决策树算法，KNN算法，支持向量机（SVM）算法与卷积神经网络（CNN）算法
huiyiiiiii的博客
04-28 2202
998年，美国国家标准技术研究所（NIST）发布了MNIST数据集，这是一个用来训练各种图像处理系统的二进制图像数据集，广泛应用于机器学习中的训练和测试。MNIST数据集是从NIST的两个手写数字数据集：Special Database 3 和Special Database 1中分别取出部分图像，并经过一些图像处理后得到的。MNIST数据集共有70000张图像，其中训练集60000张，测试集10000张。所有图像都是28×28的灰度图像，每张图像包含一个手写数字。
基于决策树模型和支持向量机模型的手写数字识别
m0_58585940的博客
01-20 2670
第一个功能：可以通过导入库和数据集、通过对数据集的预处理、读取、可视化，将数据集划分为训练集和测试级，更换不同的模型，并对模型进行评估，多方面对比不同的机器学习方法，对数据模型的影响。 第二个功能：将训练出来的数据进行预测，通过图片预测直观的方式将模型进行可视化，方便对比不同的机器学习算法。
决策树实现手写体识别
qq_46618854的博客
10-28 4307
文章目录决策树识别手写体前言实现步骤所需的库导入数据集信息熵选出信息增益最高的属性选出信息增益率最高的属性选出基尼指数最低的属性生成决策树展示树测试决策树简单实现演示展示树图信息增益图信息增益率图基尼指数图结果分析 决策树识别手写体 前言 决策树(Decision Tree）是在已知各种情况发生概率的基础上，通过构成决策树来求取净现值的期望值大于等于零的概率，评价项目风险，判断其可行性的决策分析方法，是直观运用概率分析的一种图解法。由于这种决策分支画成图形很像一棵树的枝干，故称决策树。在机器学习中，决策树是
基于决策树的手写体识别
11-12
手写数字的识别是模式识别及机器学习的一个重要应 用,应用范围非常广泛。本文提 出一 种基 于决策树算法的手写数字识别方法,该 方法通过提 取基 于密度的特征 ,通过训 练得到 一 个决策树分类模型 ,进而进行手写数字的识别。实验证明该方法能够快速有效的进行手写数字的识别。
【决策树andKNN】——实现手写数字的识别
fenfyue的博客
08-03 1087
测试两个算法应用到同一个测试集上的表现以及对参数的调整 1.数据加载 from sklearn.datasets import load_digits data = load_digits() X,y=data.data,data.target #y为数据的实际值 2.可视化表示 f,axes = plt.subplots(1,4,sharey=True,figsize(16,6)) for i in range(4): axes[i].imshow(X[i,:].reshape([8,8]),c
Matlab实现决策树算法进行数字识别
青山不改，绿水长流
11-20 7630
决策树是一个与流程图相似的树状结构；其中，每一个内部结点都是对一个属性的测试，每一个分枝代表一个结果输出，而每个树叶结点代表一个特定的类或者类的分布。决策树最顶层结点称作根结点。一棵典型的决策树如图1所示。它表示概念“购买计算机”，即他预测顾客是否可能购买计算机。 图1 决策树模型决策树的每个节点的子节点的个数与决策树所使用的算法有关。例如，CART（分类与回归树）算法得到的决策树每个节点有两个分
Scikit-Learn学习笔记——用随机森林识别手写数字
Little Garden
08-21 4713
用随机森林识别手写数字 from sklearn.datasets import load_digits digits = load_digits() #显示前几个数字图像 fig = plt.figure(figsize=(6,6)) fig.subplots_adjust(left=0, right=1, bottom=0, top=1, hspace=0.05, wspace=0.0...
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()`...
handwrittendigit-recognition:使用 SVM、决策树和随机森林进行手写数字识别
06-10
手写数字识别 使用 SVM、决策树和随机森林进行手写数字识别 MNIST 数据集已经在 Datasets 文件夹下给出。 svmfile.py 直接在 mnist 数据集上使用 svm。 Decisiontreefile.py 与 mnist 数据集上的决策树一起使用。 randomforestsfile.py 适用于 mnist 数据集上的随机森林。 在源代码中，一些行被注释。 特别是对不太成功的不同内核进行了评论。 您可以取消注释它们以使用不同的内核测试系统。 对于决策树分类，最后绘制决策树。 为了更准确地看到它，请放大，因为决策树有点大。 mnist 数据集的加载器取自： : 其用法： from mnist import MNIST mndata = MNIST('./dir_with_mnist_data_files') mndata.load_training() mn
改进的决策树算法在手写体汉字识别中的应用 (2011年)
05-11
介绍脱机手写体汉字识别的基本流程，以传统决策树ID3模型为基础，对决策属性挑选策略进行改进．该方法基于信息增益的计算标准，通过引入属性间相关性关系对传统ID3算法“多值偏向性”的缺陷进行补偿，提出节点协调度的预剪枝策略．从分类精确度方面对改进的ID3算法和传统ID3算法进行比较和分析．将改进的ID3算法应用于手写体汉字识别中，试验结果表明，改进的ID3算法可以减少训练时间，并提高识别率．
3种模板匹配法实现的手写数字识别示例
10-29
3种模板匹配法实现的手写数字识别示例 3种模板匹配法实现的手写数字识别示例 3种模板匹配法实现的手写数字识别示例
基于matlab和opencv的手写数字及字母识别系统.rar
01-19
- 分类：利用训练好的机器学习模型（如SVM、决策树、神经网络等）对特征向量进行分类，得出识别结果。 - 后处理：调整识别结果，提高准确性。 4. **机器学习模型** 支持向量机（SVM）是一种常见的选择，因为它在...
基于OpenCV手写数字识别系统.zip
04-05
如图像处理（滤波、形态学操作、色彩空间转换等）、特征检测与描述（如SIFT、SURF、ORB等）、物体识别与检测（如Haar级联分类器、HOG、DNN等）、视频分析、相机校正、立体视觉、机器学习（SVM、KNN、决策树等）、...
基于tensorflow框架的手写数字识别+基于pyqt5的GUI界面+opencv图片数字切割.zip
最新发布
04-06
如图像处理（滤波、形态学操作、色彩空间转换等）、特征检测与描述（如SIFT、SURF、ORB等）、物体识别与检测（如Haar级联分类器、HOG、DNN等）、视频分析、相机校正、立体视觉、机器学习（SVM、KNN、决策树等）、...
机器学习：决策树识别数字
qq_38590766的博客
09-29 881
决策树 原理 代码 from math import log import os ''' 参数： data：数据集，包含分类 返回： 该数据集的熵 ''' def calS(data): l = len(data) label = {} for i in data: cur = i[-1] if cur not in label.keys(): label[cur] = 0 label[cur]
手写数字识别（分别用svm、决策树算法、朴素贝叶斯算法、KNN对MINIST数据进行分类）
热门推荐
Happy_change的博客
12-01 2万+
实验四、手写数字识别 一、实验目的 1. 学会用分类算法解决实际问题 二、实验工具 1. Anaconda 2. sklearn 3. matplotlib 4. pandas 三、实验简介 概念介绍 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。 手写识别是常见的图像识别任务。计算机通过手写体图片来
基于随机森林的手写体数字识别，基于RF的手写体数字识别，基于RF的MNIST数据集分类识别
abc991835105的博客
08-18 419
随机森林详细原理，随机森林mnist数据集分类，分类代码，分类效果
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。
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