一、数字识别理论
数字识别理论主要涉及到模式识别领域中的手写数字识别问题。手写数字是唯一被世界各国通用的符号，因此手写数字识别为各国、各地区的研究工作者提供了一个施展才智的大舞台。由于数字识别的类别数较少，这有助于进行深入分析及验证一些新的理论。
在神经网络中，也可以利用分层的方式，让每个神经元负责识别数字的一部分，最终到达识别所有数字的目的。选择适当的激活函数也是神经网络中一个重要的步骤，常用的激活函数包括sigmoid函数、ReLU和tanh(x)等，它们的输出均可以为0或1。
二、开发环境配置
运行开发好的程序，提示报错Cv2错误，OpenCV安装环境问题，接下来安装相关配置。
3.1、安装PIP工具包
sudo apt update
sudo apt install python3-pip
ido@ido:~$ pip --version
pip 20.0.2 from /usr/lib/python3/dist-packages/pip (python 3.8)
3.2、安装OpenCV
pip install opencv-python
pip install opencv-contrib-python
3.2、验证
ido@ido:~$ python3
Python 3.8.10 (default, May 26 2023, 14:05:08)
[GCC 9.4.0] on linux
Type "help", "copyright", "credits" or "license" for more information. >>> import cv2
>>>
验证无误安装完成
三、软件代码实现
# -*- coding: utf-8 -*-
import glob
import cv2
#==============准备数据========================
#读取待识别图像
o=cv2.imread("image/test2/3.bmp",0)
# images用于存储模板
images = []
# 遍历指定目录下所有子目录及模板图像
for i in range(10):
images.extend(glob.glob('image/'+str(i)+'/*.*'))
#=============计算匹配值函数=====================
def getMatchValue(template,image):
#读取模板图像
templateImage=cv2.imread(template)
#模板图像色彩空间转换，BGR-->灰度
templateImage = cv2.cvtColor(templateImage, cv2.COLOR_BGR2GRAY)
#模板图像阈值处理， 灰度-->二值
ret, templateImage = cv2.threshold(templateImage, 0, 255, cv2.THRESH_OTSU)
# 获取待识别图像的尺寸
height, width = image.shape
# 将模板图像调整为与待识别图像尺寸一致
templateImage = cv2.resize(templateImage, (width, height))
#计算模板图像、待识别图像的模板匹配值
result = cv2.matchTemplate(image, templateImage, cv2.TM_CCOEFF)
# 将计算结果返回
return result[0][0]
#===============计算最佳匹配值及模板序号======================
# matchValue用于存储所有匹配值
matchValue = []
# 从images中逐个提取模板，并将其与待识别图像o计算匹配值
for xi in images:
d = getMatchValue(xi,o)
matchValue.append(d)
# print(distance) #测试语句：看看各个距离值
# 获取最佳匹配值
bestValue=max(matchValue)
# 获取最佳匹配值对应模板编号
i = matchValue.index(bestValue)
# print(i) #测试语句：看看匹配的模板编号
#===============计算识别结果======================
#计算识别结果
number=int(i/10)
#===============显示识别结果======================
print("识别结果:数字",number)
四、数据库
image.rar
(104.18 KB)
(下载次数: 3, 2023-9-18 14:00 上传)
五、实际测试
