如何使用Python Opencv中的ann神經(jīng)網(wǎng)絡(luò)識(shí)別手寫數(shù)字功能

89542767 發(fā)布于2022-10-10 15:16 / 643人閱讀

　　寫這篇文章的主要目的，是關(guān)于Python Opencv的相關(guān)知識(shí)，包括ann神經(jīng)網(wǎng)絡(luò)識(shí)別手寫數(shù)字功能，教給大家怎么去使用這種功能，接下來請(qǐng)大家仔細(xì)的進(jìn)行閱讀哦。

　　opencv會(huì)給大家提供一種神經(jīng)網(wǎng)絡(luò)的功能，即為ann，這種神經(jīng)的網(wǎng)絡(luò)功能與Keras的很接近。

　　關(guān)于mnist數(shù)據(jù)怎么去進(jìn)行解析，讀者人員可以自己從網(wǎng)上downland軟件，用python自己編寫解析代碼，由于這里主要研究knn算法，為了圖簡(jiǎn)單，直接使用Keras的mnist手寫數(shù)字解析模塊。

　　本次代碼運(yùn)行環(huán)境為：

　　python 3.6.8

　　opencv-python 4.4.0.46

　　opencv-contrib-python 4.4.0.46

　　下面的代碼為使用ann進(jìn)行模型的訓(xùn)練：

　　from keras.datasets import mnist
　　from keras import utils
　　import cv2
　　import numpy as np
　　#opencv中ANN定義神經(jīng)網(wǎng)絡(luò)層
　　def create_ANN():
　　ann=cv2.ml.ANN_MLP_create()
　　#設(shè)置神經(jīng)網(wǎng)絡(luò)層的結(jié)構(gòu)輸入層為784隱藏層為80輸出層為10
　　ann.setLayerSizes(np.array([784,64,10]))
　　#設(shè)置網(wǎng)絡(luò)參數(shù)為誤差反向傳播法
　　ann.setTrainMethod(cv2.ml.ANN_MLP_BACKPROP)
　　#設(shè)置激活函數(shù)為sigmoid
　　ann.setActivationFunction(cv2.ml.ANN_MLP_SIGMOID_SYM)
　　#設(shè)置訓(xùn)練迭代條件
　　#結(jié)束條件為訓(xùn)練30次或者誤差小于0.00001
　　ann.setTermCriteria((cv2.TermCriteria_EPS|cv2.TermCriteria_COUNT,100,0.0001))
　　return ann
　　#計(jì)算測(cè)試數(shù)據(jù)上的識(shí)別率
　　def evaluate_acc(ann,test_images,test_labels):
　　#采用的sigmoid激活函數(shù)，需要對(duì)結(jié)果進(jìn)行置信度處理
　　#對(duì)于大于0.99的可以確定為1對(duì)于小于0.01的可以確信為0
　　test_ret=ann.predict(test_images)
　　#預(yù)測(cè)結(jié)果是一個(gè)元組
　　test_pre=test_ret[1]
　　#可以直接最大值的下標(biāo)(10000,)
　　test_pre=test_pre.argmax(axis=1)
　　true_sum=(test_pre==test_labels)
　　return true_sum.mean()
　　if __name__=='__main__':
　　#直接使用Keras載入的訓(xùn)練數(shù)據(jù)(60000,28,28)(60000,)
　　(train_images,train_labels),(test_images,test_labels)=mnist.load_data()
　　#變換數(shù)據(jù)的形狀并歸一化
　　train_images=train_images.reshape(train_images.shape[0],-1)#(60000,784)
　　train_images=train_images.astype('float32')/255
　　test_images=test_images.reshape(test_images.shape[0],-1)
　　test_images=test_images.astype('float32')/255
　　#將標(biāo)簽變?yōu)閛ne-hot形狀(60000,10)float32
　　train_labels=utils.to_categorical(train_labels)
　　#測(cè)試數(shù)據(jù)標(biāo)簽不用變?yōu)閛ne-hot(10000,)
　　test_labels=test_labels.astype(np.int)
　　#定義神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)
　　ann=create_ANN()
　　#開始訓(xùn)練
　　ann.train(train_images,cv2.ml.ROW_SAMPLE,train_labels)
　　#在測(cè)試數(shù)據(jù)上測(cè)試準(zhǔn)確率
　　print(evaluate_acc(ann,test_images,test_labels))
　　#保存模型
　　ann.save('mnist_ann.xml')

　  #加載模型
　　myann=cv2.ml.ANN_MLP_load('mnist_ann.xml')

　　訓(xùn)練100次得到的準(zhǔn)確率為0.9376，可以接著增加訓(xùn)練次數(shù)或者提高神經(jīng)網(wǎng)絡(luò)的層次結(jié)構(gòu)深度來提高準(zhǔn)確率。

　　使用ann神經(jīng)網(wǎng)絡(luò)的模型結(jié)構(gòu)非常小，因?yàn)橹皇潜４媪藱?quán)重參數(shù)。

　　可以看到整個(gè)模型文件的大小才1M，而svm的大小為十多兆，knn的為幾百兆，因此使用ann神經(jīng)網(wǎng)絡(luò)更加適合部署在客戶端上。

　　接下來使用ann進(jìn)行圖片的測(cè)試識(shí)別：

　　import cv2
　　import numpy as np
　　if __name__=='__main__':
　　#讀取圖片
　　img=cv2.imread('shuzi.jpg',0)
　　img_sw=img.copy()
　　#將數(shù)據(jù)類型由uint8轉(zhuǎn)為float32
　　img=img.astype(np.float32)
　　#圖片形狀由(28,28)轉(zhuǎn)為(784,)
　　img=img.reshape(-1,)
　　#增加一個(gè)維度變?yōu)?1,784)
　　img=img.reshape(1,-1)
　　#圖片數(shù)據(jù)歸一化
　　img=img/255
　　#載入ann模型
　　ann=cv2.ml.ANN_MLP_load('minist_ann.xml')
　　#進(jìn)行預(yù)測(cè)
　　img_pre=ann.predict(img)
　　#因?yàn)榧せ詈瘮?shù)sigmoid，因此要進(jìn)行置信度處理
　　ret=img_pre[1]
　　ret[ret&gt;0.9]=1
　　ret[ret&lt;0.1]=0
　　print(ret)
　　cv2.imshow('test',img_sw)
　　cv2.waitKey(0)

　　運(yùn)行程序，結(jié)果如下，可見該模型正確識(shí)別了數(shù)字0.