摘要:最后,與前一種情況一樣,我們首先將大數據集拆分為單個單元格,對于每個數字,保留個單元用于訓練數據,剩余的個數據保留用于測試。
OCR of Hand-written Data using SVM
在kNN中,我們直接使用像素強度作為特征向量。 這次我們將使用方向梯度直方圖(HOG)作為特征向量。在計算HOG之前,使用其二階矩來校正圖像:
def deskew(img): m = cv2.moments(img) if abs(m["mu02"]) < 1e-2: return img.copy() skew = m["mu11"]/m["mu02"] M = np.float32([[1, skew, -0.5*SZ*skew], [0, 1, 0]]) img = cv2.warpAffine(img,M,(SZ, SZ),flags=affine_flags) return img
接下來,我們必須找到每個單元格的HOG描述符,為此,我們在X和Y方向上找到每個單元的Sobel導數,然后在每個像素處找到它們的大小和梯度方向,該梯度量化為16個整數值,將此圖像分為四個子方塊,對于每個子平方,計算方向的直方圖(16個區間),用它們的大小加權,因此每個子方格都會為您提供一個包含16個值的向量,四個這樣的矢量(四個子方塊)一起給出了包含64個值的特征向量,這是我們用來訓練數據的特征向量。
def hog(img): gx = cv2.Sobel(img, cv2.CV_32F, 1, 0) gy = cv2.Sobel(img, cv2.CV_32F, 0, 1) mag, ang = cv2.cartToPolar(gx, gy) bins = np.int32(bin_n*ang/(2*np.pi)) # quantizing binvalues in (0...16) bin_cells = bins[:10,:10], bins[10:,:10], bins[:10,10:], bins[10:,10:] mag_cells = mag[:10,:10], mag[10:,:10], mag[:10,10:], mag[10:,10:] hists = [np.bincount(b.ravel(), m.ravel(), bin_n) for b, m in zip(bin_cells, mag_cells)] hist = np.hstack(hists) # hist is a 64 bit vector return hist
最后,與前一種情況一樣,我們首先將大數據集拆分為單個單元格,對于每個數字,保留250個單元用于訓練數據,剩余的250個數據保留用于測試。
import numpy as np import cv2 import matplotlib.pyplot as plt SZ=20 bin_n = 16 # Number of bins affine_flags = cv2.WARP_INVERSE_MAP|cv2.INTER_LINEAR def deskew(img): m = cv2.moments(img) if abs(m["mu02"]) < 1e-2: return img.copy() skew = m["mu11"]/m["mu02"] M = np.float32([[1, skew, -0.5*SZ*skew], [0, 1, 0]]) img = cv2.warpAffine(img,M,(SZ, SZ),flags=affine_flags) return img def hog(img): gx = cv2.Sobel(img, cv2.CV_32F, 1, 0) gy = cv2.Sobel(img, cv2.CV_32F, 0, 1) mag, ang = cv2.cartToPolar(gx, gy) bins = np.int32(bin_n*ang/(2*np.pi)) # quantizing binvalues in (0...16) bin_cells = bins[:10,:10], bins[10:,:10], bins[:10,10:], bins[10:,10:] mag_cells = mag[:10,:10], mag[10:,:10], mag[:10,10:], mag[10:,10:] hists = [np.bincount(b.ravel(), m.ravel(), bin_n) for b, m in zip(bin_cells, mag_cells)] hist = np.hstack(hists) # hist is a 64 bit vector return hist img = cv2.imread("digits.png",0) if img is None: raise Exception("we need the digits.png image from samples/data here !") cells = [np.hsplit(row,100) for row in np.vsplit(img,50)] # First half is trainData, remaining is testData train_cells = [ i[:50] for i in cells ] test_cells = [ i[50:] for i in cells] deskewed = [list(map(deskew,row)) for row in train_cells] hogdata = [list(map(hog,row)) for row in deskewed] trainData = np.float32(hogdata).reshape(-1,64) responses = np.repeat(np.arange(10),250)[:,np.newaxis] svm = cv2.ml.SVM_create() svm.setKernel(cv2.ml.SVM_LINEAR) svm.setType(cv2.ml.SVM_C_SVC) svm.setC(2.67) svm.setGamma(5.383) svm.train(trainData, cv2.ml.ROW_SAMPLE, responses) svm.save("svm_data.dat") deskewed = [list(map(deskew,row)) for row in test_cells] hogdata = [list(map(hog,row)) for row in deskewed] testData = np.float32(hogdata).reshape(-1,bin_n*4) result = svm.predict(testData)[1] mask = result==responses correct = np.count_nonzero(mask) print(correct*100.0/result.size)
輸出:93.8
文章版權歸作者所有,未經允許請勿轉載,若此文章存在違規行為,您可以聯系管理員刪除。
轉載請注明本文地址:http://specialneedsforspecialkids.com/yun/42141.html
寫這篇文章的主要目的,是關于Python Opencv的相關知識,包括ann神經網絡識別手寫數字功能,教給大家怎么去使用這種功能,接下來請大家仔細的進行閱讀哦。 opencv會給大家提供一種神經網絡的功能,即為ann,這種神經的網絡功能與Keras的很接近。 關于mnist數據怎么去進行解析,讀者人員可以自己從網上downland軟件,用python自己編寫解析代碼,由于這里主要研究knn...
摘要:我們的目標是構建一個可以讀取手寫數字的應用程序為此,我們需要一些和附帶一個在文件夾中,它有個手寫數字每個數字個每個數字是圖像所以首先要將圖片切割成個不同圖片每個數字變成一個單行像素前面的個數字作為訓練數據,后個作為測試數據輸出進一步 OCR of Hand-written Data using kNN OCR of Hand-written Digits 我們的目標是構建一個可以讀取...
摘要:在本次課程中,著重講解的是傳統的機器學習技術及各種算法。回歸對連續型數據進行預測趨勢預測等除了分類之外,數據挖掘技術和機器學習技術還有一個非常經典的場景回歸。 摘要: 什么是數據挖掘?什么是機器學習?又如何進行Python數據預處理?本文將帶領大家一同了解數據挖掘和機器學習技術,通過淘寶商品案例進行數據預處理實戰,通過鳶尾花案例介紹各種分類算法。 課程主講簡介:韋瑋,企業家,資深IT領...
閱讀 3280·2023-04-26 02:09
閱讀 2574·2021-11-24 09:39
閱讀 3268·2021-11-16 11:52
閱讀 3614·2021-10-26 09:50
閱讀 2771·2021-10-08 10:05
閱讀 2456·2021-09-22 15:25
閱讀 3299·2019-08-30 13:14
閱讀 908·2019-08-29 17:06