Wie kann ich mit KNearest- und SVM-Algorithmen ein grundlegendes OCR-System zur Ziffernerkennung in OpenCV-Python implementieren?

Einfache Ziffernerkennung (OCR) in OpenCV-Python

Einführung

Dieser Artikel soll als Leitfaden dienen Sie durch die Implementierung eines einfachen OCR-Systems (Optical Character Recognition) zur Ziffernerkennung unter Verwendung von OpenCV-Python. Wir werden zwei beliebte Algorithmen für maschinelles Lernen untersuchen: KNarest und SVM.

Frage 1: Letter_recognition.data-Datei

Letter_recognition.data ist ein in OpenCV-Python enthaltener Datensatz Proben. Es enthält eine Sammlung handgeschriebener Briefe sowie 16 Merkmalswerte für jeden Buchstaben. Diese Datei dient als Trainingsdaten für verschiedene Zeichenerkennungsaufgaben.

Erstellen Sie Ihre eigenen Letter_recognition.data:

Sie können Ihre eigene Letter_recognition.data-Datei erstellen, indem Sie diese Schritte ausführen :

1. Bereiten Sie Ihren Buchstabendatensatz vor, wobei jeder Buchstabe als 10x10-Pixel-Bild dargestellt wird.
2. Extrahieren Sie Pixelwerte aus jedem Bild, um einen Merkmalsvektor mit 100 Werten zu bilden.
3. Weisen Sie jedem Buchstaben manuell eine Beschriftung (0-25, entsprechend A-Z) zu.
4. Speichern Sie die Feature-Vektoren und Beschriftungen in einer Textdatei, wobei jede Zeile das folgende Format hat: ,,...,

Frage 2: results.ravel() in KNearest

results.ravel( ) wandelt das Array der erkannten Ziffern von einem mehrdimensionalen Array in ein flaches 1D-Array um. Dies erleichtert die Interpretation und Anzeige der Ergebnisse.

Frage 3: Einfaches Ziffernerkennungstool

Um ein einfaches Ziffernerkennungstool mit letter_recognition.data zu erstellen, befolgen Sie diese Schritte Schritte:

Datenvorbereitung:

• Laden Sie Ihre benutzerdefinierte Datei „letter_recognition.data“ oder verwenden Sie das Beispiel von OpenCV.

Training:

• Erstellen Sie eine KNearest- oder SVM-Klassifikatorinstanz.
• Trainieren Sie den Klassifikator mithilfe der Beispiele und Antworten aus letter_recognition.data.

Testen:

• Laden Sie ein Bild mit zu erkennenden Ziffern.
• Verarbeiten Sie das Bild vor, um einzelne Ziffern zu isolieren.
• Konvertieren Sie jede Ziffer Ziffer in einen Merkmalsvektor (100 Pixelwerte).
• Verwenden Sie den trainierten Klassifikator, um die nächste Übereinstimmung für jeden Merkmalsvektor zu finden und die entsprechende Ziffer anzuzeigen.

Beispielcode :

import numpy as np
import cv2

# Load data
samples = np.loadtxt('my_letter_recognition.data', np.float32, delimiter=',', converters={ 0 : lambda ch : ord(ch)-ord('A') })
responses = a[:,0]

# Create classifier
model = cv2.KNearest()
model.train(samples, responses)

# Load test image
test_img = cv2.imread('test_digits.png')

# Preprocess image
gray = cv2.cvtColor(test_img, cv2.COLOR_BGR2GRAY)
thresh = cv2.adaptiveThreshold(gray, 255, 1, 1, 11, 2)

# Extract digits
contours, hierarchy = cv2.findContours(thresh, cv2.RETR_LIST, cv2.CHAIN_APPROX_SIMPLE)
digits = []
for cnt in contours:
    if cv2.contourArea(cnt) > 50:
        [x, y, w, h] = cv2.boundingRect(cnt)
        roi = thresh[y:y+h, x:x+w]
        roismall = cv2.resize(roi, (10, 10))
        digits.append(roismall)

# Recognize digits
results = []
for digit in digits:
    roismall = roismall.reshape((1, 100))
    roismall = np.float32(roismall)
    _, results, _, _ = model.find_nearest(roismall, k=1)
    results = results.ravel()
    results = [chr(int(res) + ord('A')) for res in results]

# Display results
output = cv2.cvtColor(test_img, cv2.COLOR_BGR2RGB)
for (digit, (x, y, w, h)) in zip(results, contours):
    cv2.rectangle(output, (x, y), (x + w, y + h), (0, 255, 0), 2)
    cv2.putText(output, str(digit), (x, y), cv2.FONT_HERSHEY_SIMPLEX, 1, (0, 255, 0), 2)

cv2.imshow('Output', output)
cv2.waitKey(0)

In diesem Beispiel wird KNearest für die Ziffernerkennung verwendet, aber Sie können es durch SVM ersetzen, indem Sie stattdessen einen SVM-Klassifikator erstellen.

Das obige ist der detaillierte Inhalt vonWie kann ich mit KNearest- und SVM-Algorithmen ein grundlegendes OCR-System zur Ziffernerkennung in OpenCV-Python implementieren?. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!