新建文件夹 (2).zip

import cv2 def location(img): gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 灰度化 ret, thresh = cv2.threshold(gray, 200, 255, 1) # 阈值处理 kernel = cv2.getStructuringElement(cv2.MORPH_CROSS, (5, 5)) # 核结构 dilated = cv2.dilate(thresh, kernel) # 膨胀 # 获取轮廓 mode = cv2.RETR_TREE # 轮廓检测模式 method = cv2.CHAIN_APPROX_SIMPLE # 轮廓近似方法 contours, hierarchy = cv2.findContours(dilated, mode, method) # 提取轮廓 # ------------ 提取小单元格（9*9=81个） --------------- boxHierarchy = [] # 小单元格的hierarchy信息 imgBox = img.copy() # 用于显示每一个单元格的轮廓 for i in range(len(hierarchy[0])): # 针对外轮廓 if hierarchy[0][i][3] == 0: # 判断：父轮廓是外轮廓的对象（小单元格） boxHierarchy.append(hierarchy[0][i]) # 将该符合条件轮廓的hierarchy放入 imgBox = cv2.drawContours(imgBox.copy(), contours, i, (0, 0, 255)) # 绘制单元格轮廓 cv2.imshow("boxes", imgBox) # 显示每一个小单元格的轮廓，测试用 # ------------- 提取数字边框（定位数字） ----------------- numberBoxes = [] # 所有数字的轮廓 imgNum = img.copy() # 用于显示数字轮廓 for j in range(len(boxHierarchy)): if boxHierarchy[j][2] != -1: # 符合条件的是包含数字的小方格 numberBox = contours[boxHierarchy[j][2]] # 小单元内数字轮廓 numberBoxes.append(numberBox) x, y, w, h = cv2.boundingRect(numberBox) # 矩形包围框 # 绘制矩形边框 imgNum = cv2.rectangle(imgNum.copy(), (x - 1, y - 1), (x + w + 1, y + h + 1), (0, 0, 255), 2) cv2.imshow("imgNum", imgNum) # 数字轮廓 return contours, numberBoxes # 返回所有轮廓、数字轮廓 # ================== 主程序 ===================== original = cv2.imread('x.jpg') cv2.imshow("original", original) contours, numberBoxes = location(original) cv2.waitKey() cv2.destroyAllWindows() ## 2. import cv2 import glob import numpy as np # ================ 函数：训练模型 ================= def getModel(): cols = 15 # 控制调整后图像列数 rows = 20 # 控制调整图像后行数 s = cols * rows # 控制调整后图像尺寸 data = [] # 存储所有数字的所有图像 labels = [] # 存储所有数字的标签 for i in range(1, 10): iTen = glob.glob(f'template/{str(i)}/*.*') # 某特定数字的所有图像的文件名 num = [] # 临时列表，每次循环用来存储某一个数字的所有图像 for number in iTen: # 逐个提取文件名 image = cv2.imread(number) # 逐个读取文件，放入image中 # 预处理：色彩空间变换 image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) # 预处理：大小调整 image = cv2.resize(image, (cols, rows)) # ------------ 预处理：阈值处理 ---------------- ata = cv2.ADAPTIVE_THRESH_GAUSSIAN_C # 自适应方法adaptiveMethod tb = cv2.THRESH_BINARY # threshType阈值处理方式 image = cv2.adaptiveThreshold(image, 255, ata, tb, 11, 2) num.append(image) # 把当前图像值放入num中 data.append(num) # 把单个数字的所有图像放入data labels.extend([i] * len(num)) # 为每个图像添加标签（数字） data = np.array(data) # step2: 划分数据集——划分为训练集和测试集 train_data = data[:, :70] # 每个数字的前 70 张图片用于训练 test_data = data[:, 70:] # 每个数字的后 10 张图片用于测试 # step3: 塑形 # 数据调整，将每个数字的尺寸由15*20调整为1*300（一行300个像素） train_data = train_data.reshape(-1, s).astype(np.float32) test_data = test_data.reshape(-1, s).astype(np.float32) # step4: 打标签 train_labels = np.repeat(np.arange(1, 10), 70)[:, np.newaxis] # 每个数字的标签（每个数字有 70 张训练图像） test_labels = np.repeat(np.arange(1, 10), 10)[:, np.newaxis] # 每个数字有 10 张测试图片 # 确保训练集和测试集大小一致 print(f"训练集大小: {train_data.shape[0]}, 测试集大小: {test_data.shape[0]}") print(f"训练标签大小: {train_labels.shape[0]}, 测试标签大小: {test_labels.shape[0]}") # step5: 使用KNN模块 # 核心代码：初始化、训练、预测 knn = cv2.ml.KNearest_create() knn.train(train_data, cv2.ml.ROW_SAMPLE, train_labels) ret, result, neighbours, dist = knn.findNearest(test_data, k=5) # step6: 验证——通过测试集校验准确率 print(f"预测结果: {result}") print(f"测试标签: {test_labels}") # 修正匹配方式，确保形状一致 if result.shape == test_labels.shape: matches = np.equal(result.astype(np.int32), test_labels) # 使用 np.equal 进行逐元素比较 else: print("预测结果和测试标签形状不一致，调整数据集划分") return None correct = np.count_nonzero(matches) accuracy = correct * 100.0 / result.size print("当前使用KNN识别手写数字的准确率为:", accuracy) # step7: 返回训练好的模型 return knn # ================== 主程序 ===================== knn = getModel() ###3. import cv2 import glob import numpy as np # ======= 函数：获取所有轮廓、数字的轮廓信息 ======== def location(img): gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 灰度化 ret, thresh = cv2.threshold(gray, 200, 255, 1) # 阈值处理 kernel = cv2.getStructuringElement(cv2.MORPH_CROSS, (5, 5)) # 核结构 dilated = cv2.dilate(thresh, kernel) # 膨胀 # 获取轮廓 mode = cv2.RETR_TREE # 轮廓检测模式 method = cv2.CHAIN_APPROX_SIMPLE # 轮廓近似方法 contours, hierarchy = cv2.findContours(dilated, mode, method) # 提取轮廓 # ------------ 提取小单元格（9*9=81个） --------------- boxHierarchy = [] # 小单元格的hierarchy信息 imgBox = img.copy() # 用于显示每一个单元格的轮廓 for i in range(len(hierarchy[0])): # 针对外轮廓 if hierarchy[0][i][3] == 0: # 判断：父轮廓是外轮廓的对象（小单元格） boxHierarchy.append(hierarchy[0][i]) # 将该符合条件轮廓的hierarchy放入 imgBox = cv2.drawContours(imgBox.copy(), contours, i, (0, 0, 255)) # 绘制单元格轮廓 cv2.imshow("boxes", imgBox) # 显示每一个小单元格的轮廓，测试用 # ------------- 提取数字边框（定位数字） ----------------- numberBoxes = [] # 所有数字的轮廓 imgNum = img.copy() # 用于显示数字轮廓 for j in range(len(boxHierarchy)): if boxHierarchy[j][2] != -1: # 符合条件的是包含数字的小方格 numberBox = contours[boxHierarchy[j][2]] # 小单元内数字轮廓 numberBoxes.append(numberBox) # 每个数字轮廓加入numberBoxes中 x, y, w, h = cv2.boundingRect(numberBox) # 矩形包围框 # 绘制矩形边框 imgNum = cv2.rectangle(imgNum.copy(), (x - 1, y - 1), (x + w + 1, y + h + 1), (0, 0, 255), 2) cv2.imshow("imgNum", imgNum) # 数字轮廓 return contours, numberBoxes # 返回所有轮廓、数字轮廓 # ================ 函数：训练模型 ================= def getModel(): cols = 15 # 控制调整后图像列数 rows = 20 # 控制调整图像后行数 s = cols * rows # 控制调整后图像尺寸 xt = [] for i in range(1, 10): iTen = glob.glob(f'template/{str(i)}/*.*') # 获取某特定数字的所有图像文件名