C++ OpenCV實戰(zhàn)之手寫數字識別
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字識別。源碼注釋也寫得比較清楚啦，大家請看源碼注釋?。?！
一、準備數據集
原圖如圖所示：總共有0~9數字類別，每個數字共20個?，F在需要將下面圖片切分成訓練數據圖片、測試數據圖片。該圖片尺寸為560x280，故將其切割成28x28大小數據圖片。具體請看源碼注釋。
const int classNum = 10; //總共有0~9個數字類別 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 //將數據集分為訓練集、測試集 double totalNum = classNum * picNum;//圖片總數 double per = 0.8; //百分比--修改百分比可改變訓練集、測試集比重 double trainNum = totalNum * per;//訓練圖片數量 double testNum = totalNum * (1.0 - per);//測試圖片數量
下面需要將整張圖像一一切割成28x28小尺寸圖片作為數據集，填充至訓練集與測試集。
Mat Train_Data, Train_Label;//用于訓練
vector<MyNum>TestData;//用于測試
for (int i = 0; i < picNum; i++)
{
for (int j = 0; j < classNum; j++)
{
//將所有圖片數據都拷貝到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數字圖像reshape成一行數據，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 });
}
}
}
接下來就是要將數據集進行格式轉換。
//準備訓練數據集
Train_Data.convertTo(Train_Data, CV_32FC1); //轉化為CV_32FC1類型
Train_Label.convertTo(Train_Label, CV_32FC1);
Mat TrainDataMat = Train_Data(Range(0, trainNum), Range::all()); //只取trainNum行訓練
Mat TrainLabelMat = Train_Label(Range(0, trainNum), Range::all());
二、KNN訓練
這里使用OpenCV中的KNN算法進行訓練。
//KNN訓練
const int k = 3; //k值，取奇數，影響最終識別率
Ptr<KNearest>knn = KNearest::create(); //構造KNN模型
knn->setDefaultK(k);//設定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);//模型訓練三、模型預測及結果顯示
//預測及結果顯示
double count = 0.0;
Scalar color;
for (int i = 0; i < TestData.size(); i++)
{
//將測試圖片轉成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); //預測
if (f == TestData[i].label)
{
color = Scalar(0, 255, 0); //如果預測正確，繪制綠色，并且結果+1
count++;
}
else
{
color = Scalar(0, 0, 255);//如果預測錯誤，繪制紅色
}
rectangle(src, TestData[i].rect, color, 2);
}
//將繪制結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);
如圖為不同比重訓練集與測試集識別結果。
四、源碼
#include<iostream>
#include<opencv2/opencv.hpp>
#include<opencv2/ml.hpp>
using namespace std;
using namespace cv;
using namespace cv::ml;
//**自定義結構體
struct MyNum
{
cv::Mat mat; //數字圖片
cv::Rect rect;//相對整張圖所在矩形
int label;//數字標簽
};
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
//將數據集分為訓練集、測試集
double totalNum = classNum * picNum;//圖片總數
double per = 0.8; //百分比--修改百分比可改變訓練集、測試集比重
double trainNum = totalNum * per;//訓練圖片數量
double testNum = totalNum * (1.0 - per);//測試圖片數量
Mat Train_Data, Train_Label;//用于訓練
vector<MyNum>TestData;//用于測試
for (int i = 0; i < picNum; i++)
{
for (int j = 0; j < classNum; j++)
{
//將所有圖片數據都拷貝到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數字圖像reshape成一行數據，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 });
}
}
}
//準備訓練數據集
Train_Data.convertTo(Train_Data, CV_32FC1); //轉化為CV_32FC1類型
Train_Label.convertTo(Train_Label, CV_32FC1);
Mat TrainDataMat = Train_Data(Range(0, trainNum), Range::all()); //只取trainNum行訓練
Mat TrainLabelMat = Train_Label(Range(0, trainNum), Range::all());
//KNN訓練
const int k = 3; //k值，取奇數，影響最終識別率
Ptr<KNearest>knn = KNearest::create(); //構造KNN模型
knn->setDefaultK(k);//設定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);//模型訓練
//預測及結果顯示
double count = 0.0;
Scalar color;
for (int i = 0; i < TestData.size(); i++)
{
//將測試圖片轉成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); //預測
if (f == TestData[i].label)
{
color = Scalar(0, 255, 0); //如果預測正確，繪制綠色，并且結果+1
count++;
}
else
{
color = Scalar(0, 0, 255);//如果預測錯誤，繪制紅色
}
rectangle(src, TestData[i].rect, color, 2);
}
//將繪制結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
本文使用OpenCV C++ 利用ml模塊進行手寫數字識別，源碼注釋也比較詳細，主要操作有以下幾點。
1、數據集劃分為訓練集與測試集
2、進行KNN訓練
3、進行模型預測以及結果顯示
以上就是C++ OpenCV實戰(zhàn)之手寫數字識別的詳細內容，更多關于C++ OpenCV手寫數字識別的資料請關注腳本之家其它相關文章！
相關文章
這篇文章主要介紹了如何利用C++和OpenCV實現網孔檢測，文中的示例代碼講解詳細，對我們學習OpenCV有一定幫助，感興趣的小伙伴可以了解一下2022-05-05
本文主要介紹了QML與C++交互的實現，文中通過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2022-03-03
使用編程語言進行編程時，需要用到各種變量來存儲各種信息。變量保留的是它所存儲的值的內存位置。這意味著，當您創(chuàng)建一個變量時，就會在內存中保留一些空間。您可能需要存儲各種數據類型的信息，操作系統會根據變量的數據類型，來分配內存和決定在保留內存中存儲什么2022-02-02
這篇文章主要介紹了C語言/C++如何生成隨機數，C語言/C++產生隨機數主要用到的是rand()函數, srand()函數，C語言/C++里沒有自帶的random(int number)函數，如何解決？感興趣的小伙伴們可以參考一下2016-04-04
學習過C語言的小伙伴知道：C語言是面向過程的，關注的是過程，分析出求解問題的步驟，通過函數調用逐步解決問題，接下來讓我們詳細的了解2022-05-05
在C語言中，時間和日期處理是一項非常基礎的技能，也是開發(fā)實際應用程序時經常會用到的功能，本文為大家總結了C語言中一些常用的時間庫函數，希望對大家有所幫助2023-06-06
C++實現LeetCode(154.尋找旋轉有序數組的最小值之二)
這篇文章主要介紹了C++實現LeetCode(154.尋找旋轉有序數組的最小值之二),本篇文章通過簡要的案例,講解了該項技術的了解與使用,以下就是詳細內容,需要的朋友可以參考下2021-07-07
小編最近忙里偷閑，給大家整理一份教程關于C語言動態(tài)分配二維字符串數組的方法，本文通過實例代碼給大家介紹的非常詳細，對大家的學習或工作具有一定的參考借鑒價值，需要的朋友參考下吧2021-10-10
詳解C++中的const關鍵字及與C語言中const的區(qū)別
這篇文章主要介紹了C++中的const關鍵字及與C語言中const的區(qū)別,const將所修飾的變量對象轉化為常量,需要的朋友可以參考下2016-04-04
普通的隊列是一種先進先出的數據結構，元素在隊列尾追加，而從隊列頭刪除。在優(yōu)先隊列中，元素被賦予優(yōu)先級。本文將用C++實現優(yōu)先隊列，需要的可以參考一下2022-06-06