C++ OpenCV實戰(zhàn)之手寫數(shù)字識別
更新時間：2022年08月07日 15:09:20 作者：Zero___Chen
這篇文章主要為大家詳細介紹了如何使用machine learning機器學習模塊進行手寫數(shù)字識別功能，文中的示例代碼講解詳細，感興趣的可以了解一下
前言
本案例通過使用machine learning機器學習模塊進行手寫數(shù)字識別。源碼注釋也寫得比較清楚啦，大家請看源碼注釋！?。?/p>
一、準備數(shù)據(jù)集
原圖如圖所示：總共有0~9數(shù)字類別，每個數(shù)字共20個。現(xiàn)在需要將下面圖片切分成訓(xùn)練數(shù)據(jù)圖片、測試數(shù)據(jù)圖片。該圖片尺寸為560x280，故將其切割成28x28大小數(shù)據(jù)圖片。具體請看源碼注釋。
const int classNum = 10; //總共有0~9個數(shù)字類別 const int picNum = 20;//每個類別共20張圖片 const int pic_w = 28;//圖片寬 const int pic_h = 28;//圖片高 //將數(shù)據(jù)集分為訓(xùn)練集、測試集 double totalNum = classNum * picNum;//圖片總數(shù) double per = 0.8; //百分比--修改百分比可改變訓(xùn)練集、測試集比重 double trainNum = totalNum * per;//訓(xùn)練圖片數(shù)量 double testNum = totalNum * (1.0 - per);//測試圖片數(shù)量
下面需要將整張圖像一一切割成28x28小尺寸圖片作為數(shù)據(jù)集，填充至訓(xùn)練集與測試集。
Mat Train_Data, Train_Label;//用于訓(xùn)練
vector<MyNum>TestData;//用于測試
for (int i = 0; i < picNum; i++)
{
for (int j = 0; j < classNum; j++)
{
//將所有圖片數(shù)據(jù)都拷貝到Mat矩陣里
Mat temp;
gray(Range(j*pic_w, j*pic_w + pic_w), Range(i*pic_h, i*pic_h + pic_h)).copyTo(temp);
Train_Data.push_back(temp.reshape(0, 1)); //將temp數(shù)字圖像reshape成一行數(shù)據(jù)，然后一一追加到Train_Data矩陣中
Train_Label.push_back(j);
//而外用于測試
if (i * classNum + j >= trainNum)
{
TestData.push_back({ temp,Rect(i*pic_w,j*pic_h,pic_w,pic_h),j });
}
}
}
接下來就是要將數(shù)據(jù)集進行格式轉(zhuǎn)換。
//準備訓(xùn)練數(shù)據(jù)集
Train_Data.convertTo(Train_Data, CV_32FC1); //轉(zhuǎn)化為CV_32FC1類型
Train_Label.convertTo(Train_Label, CV_32FC1);
Mat TrainDataMat = Train_Data(Range(0, trainNum), Range::all()); //只取trainNum行訓(xùn)練
Mat TrainLabelMat = Train_Label(Range(0, trainNum), Range::all());
二、KNN訓(xùn)練
這里使用OpenCV中的KNN算法進行訓(xùn)練。
//KNN訓(xùn)練
const int k = 3; //k值，取奇數(shù)，影響最終識別率
Ptr<KNearest>knn = KNearest::create(); //構(gòu)造KNN模型
knn->setDefaultK(k);//設(shè)定k值
knn->setIsClassifier(true);//KNN算法可用于分類、回歸。
knn->setAlgorithmType(KNearest::BRUTE_FORCE);//字符匹配算法
knn->train(TrainDataMat, ROW_SAMPLE, TrainLabelMat);//模型訓(xùn)練三、模型預(yù)測及結(jié)果顯示
//預(yù)測及結(jié)果顯示
double count = 0.0;
Scalar color;
for (int i = 0; i < TestData.size(); i++)
{
//將測試圖片轉(zhuǎn)成CV_32FC1，單行形式
Mat data = TestData[i].mat.reshape(0, 1);
data.convertTo(data, CV_32FC1);
Mat sample = data(Range(0, data.rows), Range::all());
float f = knn->predict(sample); //預(yù)測
if (f == TestData[i].label)
{
color = Scalar(0, 255, 0); //如果預(yù)測正確，繪制綠色，并且結(jié)果+1
count++;
}
else
{
color = Scalar(0, 0, 255);//如果預(yù)測錯誤，繪制紅色
}
rectangle(src, TestData[i].rect, color, 2);
}
//將繪制結(jié)果拷貝到一張新圖上
Mat result(Size(src.cols, src.rows + 50), CV_8UC3, Scalar::all(255));
src.copyTo(result(Rect(0, 0, src.cols, src.rows)));
//將得分在結(jié)果圖上顯示
char text[10];
int score = (count / testNum) * 100;
sprintf_s(text, "%s%d%s", "Score:", score, "%");
putText(result, text, Point((result.cols / 2) - 80, result.rows - 15), FONT_HERSHEY_SIMPLEX, 1, Scalar(0, 255, 0), 2);
如圖為不同比重訓(xùn)練集與測試集識別結(jié)果。
四、源碼
#include<iostream>
#include<opencv2/opencv.hpp>
#include<opencv2/ml.hpp>
using namespace std;
using namespace cv;
using namespace cv::ml;
//**自定義結(jié)構(gòu)體
struct MyNum
{
cv::Mat mat; //數(shù)字圖片
cv::Rect rect;//相對整張圖所在矩形
int label;//數(shù)字標簽
};
int main()
{
Mat src = imread("digit.png");
if (src.empty())
{
cout << "No Image..." << endl;
system("pause");
return -1;
}
Mat gray;
cvtColor(src, gray, COLOR_BGR2GRAY);
const int classNum = 10; //總共有0~9個數(shù)字類別
const int picNum = 20;//每個類別共20張圖片
const int pic_w = 28;//圖片寬
const int pic_h = 28;//圖片高
//將數(shù)據(jù)集分為訓(xùn)練集、測試集
double totalNum = classNum * picNum;//圖片總數(shù)
double per = 0.8; //百分比--修改百分比可改變訓(xùn)練集、測試集比重
double trainNum = totalNum * per;//訓(xùn)練圖片數(shù)量
double testNum = totalNum * (1.0 - per);//測試圖片數(shù)量
Mat Train_Data, Train_Label;//用于訓(xùn)練
vector<MyNum>TestData;//用于測試
for (int i = 0; i < picNum; i++)
{
for (int j = 0; j < classNum; j++)
{
//將所有圖片數(shù)據(jù)都拷貝到Mat矩陣里
Mat temp;
gray(Range(j*pic_w, j*pic_w + pic_w), Range(i*pic_h, i*pic_h + pic_h)).copyTo(temp);
Train_Data.push_back(temp.reshape(0, 1)); //將temp數(shù)字圖像reshape成一行數(shù)據(jù)，然后一一追加到Train_Data矩陣中
Train_Label.push_back(j);
//額外用于測試
if (i * classNum + j >= trainNum)
{
TestData.push_back({ temp,Rect(i*pic_w,j*pic_h,pic_w,pic_h),j });
}
}
}
//準備訓(xùn)練數(shù)據(jù)集
Train_Data.convertTo(Train_Data, CV_32FC1); //轉(zhuǎn)化為CV_32FC1類型
Train_Label.convertTo(Train_Label, CV_32FC1);
Mat TrainDataMat = Train_Data(Range(0, trainNum), Range::all()); //只取trainNum行訓(xùn)練
Mat TrainLabelMat = Train_Label(Range(0, trainNum), Range::all());
//KNN訓(xùn)練
const int k = 3; //k值，取奇數(shù)，影響最終識別率
Ptr<KNearest>knn = KNearest::create(); //構(gòu)造KNN模型
knn->setDefaultK(k);//設(shè)定k值
knn->setIsClassifier(true);//KNN算法可用于分類、回歸。
knn->setAlgorithmType(KNearest::BRUTE_FORCE);//字符匹配算法
knn->train(TrainDataMat, ROW_SAMPLE, TrainLabelMat);//模型訓(xùn)練
//預(yù)測及結(jié)果顯示
double count = 0.0;
Scalar color;
for (int i = 0; i < TestData.size(); i++)
{
//將測試圖片轉(zhuǎn)成CV_32FC1，單行形式
Mat data = TestData[i].mat.reshape(0, 1);
data.convertTo(data, CV_32FC1);
Mat sample = data(Range(0, data.rows), Range::all());
float f = knn->predict(sample); //預(yù)測
if (f == TestData[i].label)
{
color = Scalar(0, 255, 0); //如果預(yù)測正確，繪制綠色，并且結(jié)果+1
count++;
}
else
{
color = Scalar(0, 0, 255);//如果預(yù)測錯誤，繪制紅色
}
rectangle(src, TestData[i].rect, color, 2);
}
//將繪制結(jié)果拷貝到一張新圖上
Mat result(Size(src.cols, src.rows + 50), CV_8UC3, Scalar::all(255));
src.copyTo(result(Rect(0, 0, src.cols, src.rows)));
//將得分在結(jié)果圖上顯示
char text[10];
int score = (count / testNum) * 100;
sprintf_s(text, "%s%d%s", "Score:", score, "%");
putText(result, text, Point((result.cols / 2) - 80, result.rows - 15), FONT_HERSHEY_SIMPLEX, 1, Scalar(0, 255, 0), 2);
imshow("test", result);
imwrite("result.jpg", result);
waitKey(0);
system("pause");
return 0;
}
總結(jié)
本文使用OpenCV C++ 利用ml模塊進行手寫數(shù)字識別，源碼注釋也比較詳細，主要操作有以下幾點。
1、數(shù)據(jù)集劃分為訓(xùn)練集與測試集
2、進行KNN訓(xùn)練
3、進行模型預(yù)測以及結(jié)果顯示
以上就是C++ OpenCV實戰(zhàn)之手寫數(shù)字識別的詳細內(nèi)容，更多關(guān)于C++ OpenCV手寫數(shù)字識別的資料請關(guān)注腳本之家其它相關(guān)文章！
相關(guān)文章
C++中關(guān)于Crt的內(nèi)存泄漏檢測的分析介紹
本篇文章介紹了，在C++中關(guān)于Crt的內(nèi)存泄漏檢測的分析說明。需要的朋友參考下2013-04-04
回溯算法并不是什么高效的算法，因為本質(zhì)上時去遍歷所有元素，找出所有可能，然后選出需要的答案。那為什么還要回溯法，簡單來說，不是所有的問題都能用什么巧妙的方法來解決的2023-03-03
這篇文章主要介紹了Python HTTP服務(wù)搭建顯示本地文件的相關(guān)資料,需要的朋友可以參考下2017-02-02
深處開發(fā)崗，其實排序也是繞不開的環(huán)節(jié)，其中冒泡排序，選擇排序，插入排序，歸并排序，快速排序，堆排序也是我在秋招以來頻繁問到的技術(shù)點，今天我們來重點聊聊排序2021-11-11
這篇文章主要介紹了C++ 中回文數(shù)判斷簡單實例的相關(guān)資料,需要的朋友可以參考下2017-05-05
大家好，本篇文章主要講的是C語言值傳遞和地址傳遞詳解，感興趣的同學趕快來看一看吧，對你有幫助的話記得收藏一下，方便下次瀏覽2022-01-01
這篇文章主要為大家詳細介紹了C語言實現(xiàn)linux網(wǎng)卡檢測的精簡版，具有一定的參考價值，感興趣的小伙伴們可以參考一下2018-06-06
這篇文章主要為大家詳細介紹了C\C++實現(xiàn)讀寫二進制文件的方法，文中的示例代碼講解詳細，具有一定的借鑒價值，感興趣的小伙伴可以了解一下2023-03-03
這篇文章主要介紹了C++獲取字符串長度的幾個函數(shù)方式，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2020-12-12
這篇文章主要為大家詳細介紹了C語言實現(xiàn)簡易撲克牌游戲，文中示例代碼介紹的非常詳細，具有一定的參考價值，感興趣的小伙伴們可以參考一下2019-10-10