这是我参与更文挑战的第23天，活动详情查看： 更文挑战
OpenCV是一个C++库,目前流行的计算机视觉编程库,用于实时处理计算机视觉方面的问题,它涵盖了很多计算机视觉领域的模块。在Python中常使用OpenCV库实现图像处理。
本文将介绍如何在Python3中使用OpenCV实现数字识别。
基本原理
1.载入训练图片
读取OpenCV安装目录下手写图片合集：
2.图片分割
此图片大小为2000*1000 有5K个手写字符，可以求得每个数字大约占有400个像素，故将图像分割为 20 *20 的小块。
# 将图片进行分割成5000块横向100纵向50，分割为20*20
cells = [np.hsplit(row,100) for row in np.vsplit(gray,50)]
3.灰度处理
将分割的图片进行灰度化，使原本的RGB多维数据转化为二维灰度数据，方便处理。
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
4.数据矩阵化
将灰度图像转换为矩阵横向划分为100份，纵向划分50份。
# 纵线分割np.hsplit(数组,份数)，横线分割np.vsplit(数组,份数)
# 使其成为一个Numpy数组，大小为(50,100,20,20)
x = np.array(cells)
5.分配训练集与测试集
分别分配50列，前50列为训练集，后50列为测试集。
# 准备train_data和test_data
train = x[:,:50].reshape(-1,400).astype(np.float32)
test = x[:,50:100].reshape(-1,400).astype(np.float32)
6.将训练测试集进行标定
方便确定每个块内的数字具体是多少。
# 创建测试，训练标签
k = np.arange(10)
train_labels = np.repeat(k,250)[:,np.newaxis]
test_labels = train_labels.copy()
7.创建KNN邻近
训练模型。
# 初始化KNN，训练数据，然后使用k = 1的测试数据对其进行测试
knn = cv2.ml.KNearest_create()
knn.train(train,cv2.ml.ROW_SAMPLE,train_labels)
8.使用测试集
检测模型准确率。
matches = result==test_labels
correct = np.count_nonzero(matches)
accuracy = correct*100.0/result.size
print(accuracy)
实现代码
训练代码
import numpy as np
import cv2
img = cv2.imread('F:\\yolo-data\\opencv 3.3\\opencv\\sources\\samples\\data\\digits.png')
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
# 将图片进行分割成5000块横向100纵向50，分割为20*20
# 纵线分割np.hsplit(数组,份数)，横线分割np.vsplit(数组,份数)
cells = [np.hsplit(row,100) for row in np.vsplit(gray,50)]
# 使其成为一个Numpy数组，大小为(50,100,20,20)
x = np.array(cells)
# 准备train_data和test_data
train = x[:,:50].reshape(-1,400).astype(np.float32)
test = x[:,50:100].reshape(-1,400).astype(np.float32)
# 创建测试，训练标签
k = np.arange(10)
train_labels = np.repeat(k,250)[:,np.newaxis]
test_labels = train_labels.copy()
# 初始化KNN，训练数据，然后使用k = 1的测试数据对其进行测试
knn = cv2.ml.KNearest_create()
knn.train(train,cv2.ml.ROW_SAMPLE,train_labels)
ret,result,neighbours,dist = knn.findNearest(test,k=5)#test
matches = result==test_labels
correct = np.count_nonzero(matches)
accuracy = correct*100.0/result.size
print(accuracy)
训练输出为：
测试输入：
测试代码
import numpy as np
import cv2
# ------------------输入图片处理部分--------------------------------
test_img = cv2.imread('E:\\demo\\demo.png')
# 缩放测试图片至20*20
height, width = test_img.shape[:2]
size = (int(width/25), int(height/25))
res = cv2.resize(test_img,size, interpolation=cv2.INTER_CUBIC)
# 图片进行灰度处理
res_gray = cv2.cvtColor(res,cv2.COLOR_BGR2GRAY)
# 生成等长的纯白255矩阵
test_array = np.array(res_gray)
g25 = np.ones(test_array.shape)
g25 = g25*255
# 相减将底色与字体实际灰度值调换（将底色变为黑色，字体变为白色）
test_array = g25-test_array
# 将多维矩阵转换为一维矩阵
input_test = test_array[:,:].reshape(-1,400).astype(np.float32)
print(input_test.size)
# ------------------输入图片处理完成--------------------------------
img = cv2.imread('F:\\yolo-data\\opencv 3.3\\opencv\\sources\\samples\\data\\digits.png')
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
# 将图片进行分割成5000块横向100纵向50，分割为20*20
# 纵线分割np.hsplit(数组,份数)，横线分割np.vsplit(数组,份数)
cells = [np.hsplit(row,100) for row in np.vsplit(gray,50)]
# 使其成为一个Numpy数组，大小为(50,100,20,20)
x = np.array(cells)
# 准备train_data和test_data
train = x[:,:50].reshape(-1,400).astype(np.float32)
test = x[:,50:100].reshape(-1,400).astype(np.float32)
# 创建测试，训练标签
k = np.arange(10)
train_labels = np.repeat(k,250)[:,np.newaxis]
test_labels = train_labels.copy()
# 初始化KNN，训练数据，然后使用k = 1的测试数据对其进行测试
knn = cv2.ml.KNearest_create()
knn.train(train,cv2.ml.ROW_SAMPLE,train_labels)
ret,result,neighbours,dist = knn.findNearest(input_test,k=5)#test
# 结果
print(type(result))
print(result)
测试输出：
本月将陆续推出相关系列文章，
篇篇精彩，尽请关注。
