- 综合排序
- 最热优先
- 最新优先
- 来自专栏贾志刚-OpenCV学堂
OpenCV实现0到9数字识别OCR
使用OpenCV对0到9数字进行识别，实现简单OCR功能，基于CA（轮廓）分析实现特征提取，基于L1距离计算匹配实现数字识别。在排除干扰的基础上，识别精度可以达到98%以上。 整个算法分为两个部分，第一部分是特征提取，提取的特征实现了尺度不变性与轻微光照与变形干扰排除，第二部分基于特征数据进行匹配实现了相似性比较，最终识别0到9十个数字。 第一部分详解： 算法的第一部分主要是实现以下功能，提取42个特征向量，用其中40个向量做匹配识别，另外两个向量做辅助检查。比如0跟1的横纵比有明显差别。特征提取的主要步骤如下： 1. 同样对数字ROI区域实现5x4的网格分割，每个Cell计算前景像素个数，也会借助权重比例进行分割，最终得到归一化之后的20个特征向量。 这样得到的40个特征向量具有放缩不变性与轻微抗干扰变形能力。 识别结果： ? 观察结论 训练数据和识别数据在字体、大小上均有差异，然而根据提取的特征进行匹配，均可识别，充分证明了本识别算法的尺度不变性与局部抗干扰能力。
5.7K20发布于 2018-07-26 - 来自专栏叶子陪你玩编程
数字识别
上篇的内容最后一个案例代码，其实来自官方的手写数字识别案例教程，我自己基于里面的内容自己删减了一些。 这里主要讲一下里面的数据集，sklearn自带了很多数据集，在安装包的data里面，就有手写数字识别数据集。 虽说是数字识别，不过这个数据集里面并没有实际图片。 ，不过识别前都会通过测试数据测试一下，先看看准确率怎么样，确定效果还不错，就可以用来测试没有见过的数字图片了。 0,0,7,15,13,1,0,0,0,8,13,6,15,4,0,0,0,2,1,13,13,0,0,0,0,0,2,15,11,1,0,0,0,0,0,1,12,12,1,0,0,0,0,0,1,10,8,0,0,0,8,4,5,14,9,0,0,0,7,13,13,9,0,0 2.从图片文件夹中将所有数字图片读取出来 这里只是做了数字图片的读取，所以只能识别数字。 3.定义一个单张图片匹配的方法。
2.1K10编辑于 2022-02-08 - 来自专栏全栈程序员必看
基于keras的手写数字识别_数字识别
一、概述 手写数字识别通常作为第一个深度学习在计算机视觉方面应用的示例，Mnist数据集在这当中也被广泛采用，可用于进行训练及模型性能测试； 模型的输入： 32*32的手写字体图片，这些手写字体包含0~ 9数字，也就是相当于10个类别的图片 模型的输出： 分类结果，0~9之间的一个数 下面通过多层感知器模型以及卷积神经网络的方式进行实现 二、基于多层感知器的手写数字识别 多层感知器的模型如下，其具有一层影藏层 x_test, y_test) # 从Keras导入Mnist数据集 (x_train, y_train), (x_validation, y_validation) = loadData() # 显示4张手写数字图片 .] - ETA: 0s 10000/10000 [==============================] - 1s 112us/step MLP: 98.07% 三、基于卷积神经网络的手写数字识别 Epoch 7/10 - 164s - loss: 0.0221 - acc: 0.9928 Epoch 8/10 - 161s - loss: 0.0190 - acc: 0.9943 Epoch 9/
2.6K10编辑于 2022-10-05 - 来自专栏全栈程序员必看
mnist手写数字识别代码(knn手写数字识别)
MNIST 手写数字识别模型建立与优化 本篇的主要内容有： TensorFlow 处理MNIST数据集的基本操作 建立一个基础的识别模型 介绍 S o f t m a x Softmax Softmax 回归以及交叉熵等 MNIST是一个很有名的手写数字识别数据集（基本可以算是“Hello World”级别的了吧），我们要了解的情况是，对于每张图片，存储的方式是一个 28 * 28 的矩阵，但是我们在导入数据进行使用的时候会自动展平成 plt.matshow(curr_img, cmap=plt.get_cmap('gray')) plt.show() 通过上面的代码可以看出数据集中的一些特点，下面建立一个简单的模型来识别这些数字 方便矩阵乘法处理 x = tf.placeholder(tf.float32, [None, 784]) # 输出的结果是对于每一张图输出的是 1*10 的向量，例如 [1, 0, 0, 0...] # 只有一个数字是 test_acc = sess.run(accr, feed_dict=feedt_test) print("Eppoch: %03d/%03d cost: %.9f
3.4K30编辑于 2022-08-01 - 来自专栏.Net Core 技术栈
opencv +数字识别
现在很多场景需要使用的数字识别，比如银行卡识别，以及车牌识别等，在AI领域有很多图像识别算法，大多是居于opencv 或者谷歌开源的tesseract 识别. 以上几种ocr 识别比较，最后选择了opencv 的方式进行ocr 数字识别,下面讲解通过ocr识别的基本流程和算法. opencv 数字识别流程及算法解析 要通过opencv 进行数字识别离不开训练库的支持 ，需要对目标图片进行大量的训练，才能做到精准的识别出目标数字;下面我会分别讲解图片训练的过程及识别的过程. opencv 识别算法原理 1.比如下面一张图片，需要从中识别出正确的数字，需要对图片进行灰度 原图 灰度化图 二值化图 寻找轮廓 识别后的结果图 以上就是简单的图片进行灰度化、二值化、寻找数字轮廓得到的识别结果(==这是基于我之前训练过的数字模型下得到的识别结果==) 有些图片比较赋值 ，接下来就是需要对0-9 这些数字进行分类(建立文件夹进行数字归类)，如下： 图中的每一个分类都是我事先切割好的数字图片,图中有-1 和-2 这两个特殊分类，-1 里面我是放的是“.”好的分类，用于训练
2.9K20编辑于 2022-04-07 - 来自专栏强化学习专栏
MNIST手写数字识别
文章分类在Pytorch： Pytorch（2）---《MNIST手写数字识别》 MNIST手写数字识别 一、 实验目的 掌握利用卷积神经网络CNN实现对MNIST手写数字的识别。 实验内容 2.1 MNIST数据集介绍 MNIST数据集是机器学习领域中非常经典的一个数据集，由60000个训练样本和10000个测试样本组成，每个样本都是一张28 * 28像素的灰度手写数字图片 => (batch,320), -1 此处自动算出的是320 x = self.fc(x) return x # 最后输出的是维度为10的，也就是（对应数学符号的0~9） acc_list_test = [] #创建保存测试数据的列表 for epoch in range(EPOCH): train(epoch) # if epoch % 10 == 9:
1.6K10编辑于 2024-12-03 - 来自专栏yiyun 的专栏
KNN 手写数字识别
(classCount.items(), key=operator.itemgetter(1), reverse=True) return sortedClassCount[0][0] 手写数字识别 fileNameStr = trainingFileList[i] # 去掉 .txt fileStr = fileNameStr.split('.')[0] # 第一个数字为分类 fileNameStr = testFileList[i] # 去掉 .txt fileStr = fileNameStr.split('.')[0] # 第一个数字是类别
2K20编辑于 2022-04-01 - 来自专栏机器学习入门
Softmax 识别手写数字
TensorFlow 入门（二）：Softmax 识别手写数字 MNIST是一个非常简单的机器视觉数据集，如下图所示，它由几万张28像素x28像素的手写数字组成，这些图片只包含灰度值信息。 我们的任务就是对这些手写数字的图片进行分类，转成0~9一共十类。 ? 我们可以用一个数字数组来表示这张图片： ? 我们把这个数组展开成一个向量，长度是 28x28 = 784。如何展开这个数组（数字间的顺序）不重要，只要保持各个图片采用相同的方式展开。 这里手写数字识别为多分类问题，因此我们采用Softmax Regression模型来处理。关于Softmax，可以参看这里。你也可以认为它是二分类问题Sigmoid函数的推广。
2.6K40发布于 2019-05-26 - 来自专栏Swift社区
LeetCode - #9 判断回文数字
当一个整数向后读与向前读相同时，它就是回文。例如，121 是回文，而 123 不是。
2K10编辑于 2021-12-06 - 来自专栏企鹅号快讯
PaddlePaddle之手写数字识别
，最简单的安装方式就是： CPU版本安装 pip install paddlepaddle GPU版本安装 pip install paddlepaddle-gpu 用PaddlePaddle实现手写数字识别 这次训练的手写数字识别数据量比较小，但是如果想要添加数据，也非常方便，直接添加到相应目录下。 2.event_handler机制，可以自定义训练结果输出内容。
1.6K80发布于 2018-02-11 - 来自专栏数据处理
kaggle-识别手写数字
l = np.array(l[1:], dtype=float) train = l[1:,1:] label = l[1:,0] a = pd.DataFrame(train) # 二值化，不影响数字显示 = 1 l = load_data('test.csv') test = np.array(l[1:], dtype=float) a = pd.DataFrame(test) # 二值化，不影响数字显示 sc.scale_标准差, sc.mean_平均值, sc.var_方差''' y_pred = lr.predict(X_test_std) print y_pred OUT: [ 2. 0. 9. ..., 3. 9. 2.] 画一个像素图片数字，第二个图片，上面预测是0 from PIL import Image import numpy as np import matplotlib.pyplot as plt import
1.3K20发布于 2018-06-01 - 来自专栏强化学习专栏
pytorch实现 --- 手写数字识别
文章分类在Pytorch： Pytorch（1）---《pytorch实现 --- 手写数字识别》 pytorch实现 --- 手写数字识别 1.项目介绍 使用pytorch实现手写数字识别 3.程序代码 """手写数字识别项目 时间：2023.11.6 环境：pytorch 作者：Rainbook """ import torch from torch.utils.data 手写数字有十种结果，随机猜的正确率就是1/10 print("initial accuracy:", evaluate(test_data, net)) """训练神经网络 pytorch
84810编辑于 2024-12-03 - 来自专栏全栈程序员必看
罗马字符及数字_9罗马数字
罗马字符及数字 小写 大写 中文 英文 α Α 阿尔法 aerfar β Β 卑塔 beita γ Γ : I – 1 II – 2 III – 3 IV – 4 V – 5 VI – 6 X – 10 L – 50 C – 100 D – 500 M – 1000 罗马数字共有七个 按照下面三条规则可以表示任意正整数: 重复数次：一个罗马数字重复几次，就表示这个数的几倍。 右加左减：在一个较大的罗马数字的右边记上一个较小的罗马数字， 表示大数字加小数字。 在一个较大的数字的左边记上一个较小的罗 马数字，表示大数字减小数字。但是，左减不能跨越等级。 比如，99不可以用IC表示，用XCIX表示。 加线乘千：在一个罗马数字的上方加上一条横线，表示将这个数字 乘以1000，即是原数的1000倍。同理，如果上方有两条横线， 即是原数的1000000倍。
3.3K20编辑于 2022-11-11 - 来自专栏Michael阿明学习之路
Digit Recognizer 手写数字识别
1. Baseline 读取数据 import pandas as pd train = pd.read_csv('train.csv') X_test = pd.read_csv('test.csv
1.5K30发布于 2020-07-13 - 来自专栏图像处理与模式识别研究所
手写体数字识别
if (epoch+1)%display_step==0: print("Train Epoch:",'%02d'%(epoch+1),"Loss=","{:.9f 11.451450348 Accuracy= 0.9588 Train Finished takes: 76.92 Starting another session for prediction 算法：手写体数字识别使用的框架是由多个隐藏层组成的神经网络
1.9K20编辑于 2022-05-29 - 来自专栏孤独的S
机器学习-手写数字识别
据说，在命令行窗口打印出‘hello，world’是入门编程语言的第一个程序，那么手写数字识别就是机器学习的hello，world了，学习的东西不经常复习的容易忘记，因此在这里记录一下。 要进行手写数字识别，首先需要数据，然后在定义一个神经网络来对数据进行训练，然后把训练好的权重和模型保存起来，在另外的程序调用，并拿来测试你想要测试的图片，看看训练的结果是不是比较正确。 关于数据获取，这里选择的keras自带的数据集，可以在keras的官网可以找到你需要的数据集，https://keras.io/datasets/ 数据集包含10个数字的60,000个 然后再添加一个隐藏层，这里就不用定义输入个数，只需要输出的和激活函数，紧接着就是输出层了，因为我们的数字是0-9，有10个数字，这里的大小也是10，而这里的激活函数就要改成softmax，模型就这样构建完成了
1.6K20发布于 2019-09-28 - 来自专栏AutoML(自动机器学习)
KNN实现手写数字识别
KNN实现手写数字识别 博客上显示这个没有Jupyter的好看，想看Jupyter Notebook的请戳KNN实现手写数字识别.ipynb 1 - 导入模块 import numpy as np , x_test, y_test = mnist.train.images, mnist.train.labels, mnist.test.images, mnist.test.labels 展示手写数字
1.7K90发布于 2018-01-23 - 来自专栏Deep Learning 笔记
MNIST__数字识别__SOFTMAX
本次MNIST的手写数字识别未采用input_data.py文件，想尝试一下用原始的数据集来运行这个DEMO。 需要注意的一点是，源码中的图片标签采用的的ONE-HOT编码，而数据集中的标签用的是具体的数字。 例如：图片上的数字和标签的值是5，其对应的ONT-HOT编码为[0,0,0,0,0,1,0,0,0,0]（分别对应数值【0,1,2,3,4,5,6,7,8,9】） ,也就是长度为10的一维数组的第6个元素为 0-9 cross_entropy = -tf.reduce_sum(y_*tf.log(y)) # 计算交叉熵 train_step = tf.train.GradientDescentOptimizer 可又说不上来~ 参考资料： ONE-HOT使用体会 ： https://blog.csdn.net/lanhaier0591/article/details/78702558 训练Tensorflow识别手写数字
1.1K10发布于 2018-08-04 - 来自专栏算法与编程之美
识别手绘数字图像
1 问题 初学机器学习，第一步是做一个简单的手写数字识别，我选用的是MNIST数据集。 直接上代码 3 结语 这次实验我们深入了解和扩展了一些关于手写数字的步骤和方法，在我第一次运行花费了挺多的时间，运行完一次我再也不想运行了，心疼我电脑……初学者，不足之处甚多，恳请批评指正。
41910编辑于 2023-08-22 - 来自专栏Ms08067安全实验室
人脸识别9种攻击方式
打印数字照片 攻击者获取到被冒充者的真人照片，使用app对照片进行直接拍摄。 2. 9.
1.4K10编辑于 2025-03-07
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号