学习opencv——手写数字识别（1）

OCR（Optical Character Recognition，光学字符识别）,如今已经广泛的运用到了各种领域。本次创建一个识别手写数字的程序，使用的是knn算法，属于机器学习中的监督学习，需要大量的训练数据样本进行训练，然后根据训练结果进行识别。

图中绿色的点会根据k的值取值，再根据取到值颜色的多少来判断绿色的点是属于红色还是蓝色。把这个过程就叫做分类。

OpenCV安装包里有一张图片digits.png（如下图），图片上是5000个手写数字，每个数字重复500遍，分别是0-9。每个数字都是20x20的小图。我们将这个图片在重新排成一行含有400个像素点的新图像。以这个为特征集，所有像素的灰度值。

1.运行环境

操作系统：win7 64位
python3.5.2
opencv3.2

2.主要方法

cv2.ml.KNearest_create()

创建一个K-Nearest Neighbour分类器

3.代码

import numpy as npimport cv2#读取图片转为灰度图img = cv2.imread('digits.png')gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)#把图片分隔成5000个，每个20x20大小cells = [np.hsplit(row,100) for row in np.vsplit(gray,50)]#再转成numpy数组x = np.array(cells)#一半用来训练的数组，一半用来测试的数组train = x[:,:50].reshape(-1,400).astype(np.float32)test = x[:,50:100].reshape(-1,400).astype(np.float32)#创建训练和测试的标签k = np.arange(10)train_labels = np.repeat(k,250)[:,np.newaxis]test_labels = train_labels.copy()#创建一个K-Nearest Neighbour分类器，训练数据，然后用测试数据测试它knn = cv2.ml.KNearest_create()knn.train(train,cv2.ml.ROW_SAMPLE,train_labels)ret,result,neighbours,dist = knn.findNearest(test,k=5)#最终检查测试的精确度，比较结果，检查哪些是错误的，最终输出正确率matches = result == test_labelscorrect = np.count_nonzero(matches)accuracy = correct*100.0 / result.sizeprint(accuracy)

跑一遍程序，最终得到准确率为91.76%。

4.优化

在运行的过程中每次都会去读取图片，准备训练分类器，我们可以运行一次后把它保留下来，下次运行的时候，直接读取这些数据，大大提高运行的效率。

#保存数据np.savez('data.npz',train=train, train_labels=train_labels)

#下次运行时读取with np.load('data.npz') as data:    print data.files    train = data['train']    train_labels = data['train_labels']

想要提高手写数字识别率，只有不断的增加训练的样本。