?

sklearn內(nèi)置了手寫數(shù)字的數(shù)據(jù)集digits。此數(shù)據(jù)集的官方介紹在這里。摘錄如下：

Each datapoint is a 8x8 image of a digit.

Classes	10
Samples per class	~180
Samples total	1797
Dimensionality	64
Features	integers 0-16

整體步驟分為：訓(xùn)練——預(yù)測兩大步。用到的預(yù)測圖片如下：

?

from sklearn.linear_model import LogisticRegression from sklearn import datasets from sklearn.cross_validation import train_test_split from sklearn.metrics import confusion_matrix,accuracy_score import numpy as np import scipy import cv2 from fractions import Fraction def image2Digit(image):# 調(diào)整為8*8大小im_resized = scipy.misc.imresize(image, (8,8))# RGB（三維）轉(zhuǎn)為灰度圖（一維）im_gray = cv2.cvtColor(im_resized, cv2.COLOR_BGR2GRAY)# 調(diào)整為0-16之間（digits訓(xùn)練數(shù)據(jù)的特征規(guī)格）像素值——16/255im_hex = Fraction(16,255) * im_gray# 將圖片數(shù)據(jù)反相（digits訓(xùn)練數(shù)據(jù)的特征規(guī)格——黑底白字）im_reverse = 16 - im_hexreturn im_reverse.astype(np.int) # 加載數(shù)字?jǐn)?shù)據(jù) digits = datasets.load_digits() # 劃分訓(xùn)練集與驗(yàn)證集 Xtrain, Xtest, ytrain, ytest = train_test_split(digits.data, digits.target, random_state=2) # 創(chuàng)建模型 clf = LogisticRegression(penalty='l2') # 擬合數(shù)據(jù)訓(xùn)練 clf.fit(Xtrain, ytrain) # 預(yù)測驗(yàn)證集 ypred = clf.predict(Xtest) # 計(jì)算準(zhǔn)確度 accuracy = accuracy_score(ytest, ypred) print("識(shí)別準(zhǔn)確度：",accuracy)# 讀取單張自定義手寫數(shù)字的圖片 image = scipy.misc.imread("digit_image/2.png") # 將圖片轉(zhuǎn)為digits訓(xùn)練數(shù)據(jù)的規(guī)格——即數(shù)據(jù)的表征方式要統(tǒng)一 im_reverse = image2Digit(image) # 顯示圖片轉(zhuǎn)換后的像素值 print(im_reverse) # 8*8轉(zhuǎn)為1*64（預(yù)測方法的參數(shù)要求） reshaped = im_reverse.reshape(1,64) # 預(yù)測 result = clf.predict(reshaped) print(result)

?

注意：

• 自定義圖片最好是png格式，因?yàn)閖pg采用的是有損壓縮算法，圖像數(shù)據(jù)會(huì)變化；
• 訓(xùn)練數(shù)據(jù)與預(yù)測數(shù)據(jù)格式需要一致，即特征一致；
• 上述代碼基本上是對(duì)sklearn算法的簡單調(diào)用，識(shí)別魯棒性不高，所以圖片中數(shù)字要很粗——方便識(shí)別

總結(jié)

以上是生活随笔為你收集整理的sklearn识别单张自定义手写数字图片的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。