當前位置：首頁 > 编程语言 > python >内容正文

python

Python 3 利用机器学习模型进行手写体数字检测

發布時間：2025/7/14 python 22 豆豆

生活随笔收集整理的這篇文章主要介紹了 Python 3 利用机器学习模型进行手写体数字检测小編覺得挺不錯的,現在分享給大家,幫大家做個參考.

0.引言

　介紹了如何生成手寫體數字的數據，提取特征，借助 sklearn 機器學習模型建模，進行識別手寫體數字 1-9 模型的建立和測試。

　用到的幾種模型：

　　　　1. LR，Logistic Regression，　　　　　　　　　　　　　　（線性模型）中的邏輯斯特回歸

　　　　2. Linear SVC，Support Vector Classification，　　　　　　（支持向量機）中的線性支持向量分類?

　　　　3. MLPC，Multi-Layer Perceptron?Classification，? ?　　　　（神經網絡）多層感知機分類

　　　　4. SGDC，Stochastic Gradient Descent Classification，　　（線性模型）隨機梯度法求解

　　　　手寫體的識別是一個?分類?問題，提取圖像特征作為模型輸入，輸出到標記數字 1-9；

　主要內容：

　? ?　　1. 生成手寫體數字數據集；

　　? ?　2. 提取圖像特征存入 CSV；

　　? ?　3. 利用機器學習建立和測試手寫體數字識別模型;

?　　　（如果你想嘗試生成自己的數據集可以參考我的另一篇博客：http://www.cnblogs.com/AdaminXie/p/8379749.html）

　　　　源碼上傳到了我的?GitHub:?https://github.com/coneypo/ML_handwritten_number，有問題可以留言或者聯系我郵箱；

　　　得到不同樣本量訓練下，幾種機器學習模型精度隨樣本的變化關系曲線：

圖 0? 不同樣本數目下的四種模型的測試精度（數據集大小從 100 到 5800，間隔 100 ）

1.?開發環境

　　python:　　3.6.3

　　import PIL, cv2, pandas, numpy, os, csv, random

　　需要調用的 sklearn 庫：

1 from sklearn.linear_model import LogisticRegression # 線性模型中的 Logistic 回歸模型 2 from sklearn.linear_model import SGDClassifier # 線性模型中的隨機梯度下降模型 3 from sklearn.svm import LinearSVC # SVM 模型中的線性 SVC 模型 4 from sklearn.neural_network import MLPClassifier # 神經網絡模型中的多層網絡模型

2.整體設計思路

圖 1 整體的框架設計

　　工程的目的，是想利用機器學習模型去訓練識別生成的隨機驗證碼圖像（單個數字 1-9 ），通過以下三個步驟實現：

　　　　1. 生成手寫體數據集?

　　　　2. 提取特征向量寫入 CSV

　　　　3. sklearn 模型訓練和測試　　　　

圖 2 整體的設計流程

3. 編程過程

3.1 生成多張單個驗證碼圖像 ( generate_folders.py, generate_handwritten_numbers.py )

　　? ? ? ??

圖 3 生成的多張單個驗證碼圖像

　　手寫體數據集的生成在我的另一篇博客詳細介紹：（ Link：http://www.cnblogs.com/AdaminXie/p/8379749.html?）

　　思路就是 random 隨機生成數字 1-9，然后利用PIL的畫筆工具進行畫圖，對圖像進行扭曲，然后根據隨機數的真實標記 1-9，保存到對應文件夾內，用標記+序號命名。

1 draw = ImageDraw.Draw(im) # 畫筆工具

3.2?提取特征向量寫入 CSV ( get_features.py )

　　這一步是提取圖像中的特征。生成的單個圖像是 30*30 即 900 個像素點的；

　　為了降低維度，沒有選擇 900 個像素點每點的灰度作為輸入，而是選取了 30 行每行的黑點數，和 30 列每列的黑點數作為輸入，這樣降到了 60 維。

? ?

(a) 提取 900 維特征

(b) 提取 60 維特征

圖 4 提取圖像特征

　　特征的提取也比較簡單，逐行逐列計算然后計數求和：

1 def get_feature(img): 2 # 提取特征 3 # 30*30的圖像， 4 5 width, height = img.size 6 7 global pixel_cnt_list 8 pixel_cnt_list=[] 9 10 height = 30 11 for y in range(height): 12 pixel_cnt_x = 0 13 for x in range(width): 14 # print(img.getpixel((x,y))) 15 if img.getpixel((x, y)) == 0: # 黑點 16 pixel_cnt_x += 1 17 18 pixel_cnt_list.append(pixel_cnt_x) 19 20 for x in range(width): 21 pixel_cnt_y = 0 22 for y in range(height): 23 if img.getpixel((x, y)) == 0: # 黑點 24 pixel_cnt_y += 1 25 26 pixel_cnt_list.append(pixel_cnt_y) 27 28 return pixel_cnt_list

　　所以我們接下來需要做的工作是，遍歷訪問文件夾 num_1-9 中的所有圖像文件，進行特征提取，然后寫入 CSV 文件中：

1 with open(path_csv+"tmp.csv", "w", newline="") as csvfile: 2 writer = csv.writer(csvfile) 3 # 訪問文件夾 1-9 4 for i in range(1, 10): 5 num_list = os.listdir(path_images + "num_" + str(i)) 6 print(path_images + "num_" + str(i)) 7 print("num_list:", num_list) 8 # 讀到圖像文件 9 if os.path.isdir(path_images + "num_" + str(i)): 10 print("樣本個數：", len(num_list)) 11 sum_images = sum_images + len(num_list) 12 13 # Travsel every single image to generate the features 14 for j in range(0, (len(num_list))): 15 16 # 處理讀取單個圖像文件提取特征 17 img = Image.open(path_images + "num_" + str(i)+"/" + num_list[j]) 18 get_features_single(img) 19 pixel_cnt_list.append(num_list[j][0]) 20 21 # 寫入CSV 22 writer.writerow(pixel_cnt_list)

? 圖 5 提取出來的 CSV 文件（前 60 列為輸入特征，第 61 列為輸出標記）

3.3?sklearn 模型訓練和測試 ( ml_ana.py, test_single_images.py )

　　之前的準備工作都做完之后，我們生成了存放著 60 維輸入特征和 1 維輸出標記的 61 列的 CSV 文件;

　　然后就可以利用這些數據，交給 sklearn 的機器學習模型進行建模處理。

3.3.1 特征數據加工

　　第一步需要對 CSV 文件中的數據進行提取，利用 pd.read_csv 進行讀取。寫入 CSV 時，前 60 列為 60 維的特征向量，第 61 列為輸出標記 1-9;

　　利用前面已經提取好的特征 CSV;

1 # 從 CSV 中讀取數據 2 def pre_data(): 3 # CSV61維表頭名 4 column_names = [] 5 6 for i in range(0, 60): 7 column_names.append("feature_" + str(i)) 8 column_names.append("true_number") 9 10 # 讀取csv 11 path_csv = "../data/data_csvs/" 12 data = pd.read_csv(path_csv + "data_10000.csv", names=column_names) 13 14 # 提取數據集 15 global X_train, X_test, y_train, y_test 16 X_train, X_test, y_train, y_test = train_test_split( 17 data[column_names[0:60]], 18 data[column_names[60]], 19 test_size=0.25, # 75% for 訓練，25% for 測試 20 random_state=33 21 )

　　利用sklearn庫的 train_test_split 函數?將數據進行分割，

　　　　得到訓練集數據：X_train, y_train

　　　　得到測試集數據：X_test, y_test

3.3.2 模型訓練和測試

　　經過前面一系列的準備工作做完，這里正式開始使用 sklearn 的機器學習模型建模；

　　調用 sklearn 利用訓練數據對模型進行訓練，然后利用測試數據進行性能測試，并且保存模型到本地 ( "/data/data_models/model_xxx.m")；

　　ml_ana.py:

1 # created at 2018-01-29 2 # updated at 2018-09-28 3 4 # Author: coneypo 5 # Blog: http://www.cnblogs.com/AdaminXie 6 # GitHub: https://github.com/coneypo/ML_handwritten_number 7 8 9 from sklearn.model_selection import train_test_split 10 import pandas as pd 11 12 from sklearn.preprocessing import StandardScaler # 標準化 13 14 # 調用模型 15 from sklearn.linear_model import LogisticRegression # 線性模型中的 Logistic 回歸模型 16 from sklearn.svm import LinearSVC # SVM 模型中的線性 SVC 模型 17 from sklearn.neural_network import MLPClassifier # 神經網絡模型中的多層網絡模型 18 from sklearn.linear_model import SGDClassifier # 線性模型中的隨機梯度下降模型 19 20 # 保存模型 21 from sklearn.externals import joblib 22 23 24 # 從 CSV 中讀取數據 25 def pre_data(): 26 # CSV61維表頭名 27 column_names = [] 28 29 for i in range(0, 60): 30 column_names.append("feature_" + str(i)) 31 column_names.append("true_number") 32 33 # 讀取csv 34 path_csv = "../data/data_csvs/" 35 data = pd.read_csv(path_csv + "data_10000.csv", names=column_names) 36 37 # 提取數據集 38 global X_train, X_test, y_train, y_test 39 X_train, X_test, y_train, y_test = train_test_split( 40 data[column_names[0:60]], 41 data[column_names[60]], 42 test_size=0.25, # 75% for 訓練，25% for 測試 43 random_state=33 44 ) 45 46 47 path_saved_models = "../data/data_models/" 48 49 50 # LR, logistic regression, 邏輯斯特回歸分類（線性模型） 51 def way_LR(): 52 X_train_LR = X_train 53 y_train_LR = y_train 54 55 X_test_LR = X_test 56 y_test_LR = y_test 57 58 # 數據預加工 59 # ss_LR = StandardScaler() 60 # X_train_LR = ss_LR.fit_transform(X_train_LR) 61 # X_test_LR = ss_LR.transform(X_test_LR) 62 63 # 初始化LogisticRegression 64 LR = LogisticRegression() 65 66 # 調用LogisticRegression中的fit()來訓練模型參數 67 LR.fit(X_train_LR, y_train_LR) 68 69 # 使用訓練好的模型lr對X_test進行預測 70 # 結果儲存在y_predict_LR中 71 global y_predict_LR 72 y_predict_LR = LR.predict(X_test_LR) 73 74 # 評分函數 75 global score_LR 76 score_LR = LR.score(X_test_LR, y_test_LR) 77 print("The accurary of LR:", '\t', score_LR) 78 79 # 保存模型 80 joblib.dump(LR, path_saved_models + "model_LR.m") 81 82 return LR 83 84 85 # 多層感知機分類（神經網絡） 86 def way_MLPC(): 87 X_train_MLPC = X_train 88 y_train_MLPC = y_train 89 90 X_test_MLPC = X_test 91 y_test_MLPC = y_test 92 93 # ss_MLPC = StandardScaler() 94 # X_train_MLPC = ss_MLPC.fit_transform(X_train_MLPC) 95 # X_test_MLPC = ss_MLPC.transform(X_test_MLPC) 96 97 MLPC = MLPClassifier(hidden_layer_sizes=(13, 13, 13), max_iter=500) 98 MLPC.fit(X_train_MLPC, y_train_MLPC) 99 100 global y_predict_MLPC 101 y_predict_MLPC = MLPC.predict(X_test_MLPC) 102 103 global score_MLPC 104 score_MLPC = MLPC.score(X_test_MLPC, y_test_MLPC) 105 print("The accurary of MLPC:", '\t', score_MLPC) 106 107 # 保存模型 108 joblib.dump(MLPC, path_saved_models + "model_MLPC.m") 109 110 return MLPC 111 112 113 # Linear SVC， Linear Supported Vector Classifier, 線性支持向量分類(SVM支持向量機) 114 def way_LSVC(): 115 X_train_LSVC = X_train 116 y_train_LSVC = y_train 117 118 X_test_LSVC = X_test 119 y_test_LSVC = y_test 120 121 # Standard Scaler 122 # ss_LSVC = StandardScaler() 123 # X_train_LSVC = ss_LSVC.fit_transform(X_train_LSVC) 124 # X_test_LSVC = ss_LSVC.transform(X_test_LSVC) 125 126 LSVC = LinearSVC() 127 LSVC.fit(X_train_LSVC, y_train_LSVC) 128 129 global y_predict_LSVC 130 y_predict_LSVC = LSVC.predict(X_test_LSVC) 131 132 global score_LSVC 133 score_LSVC = LSVC.score(X_test_LSVC, y_test_LSVC) 134 print("The accurary of LSVC:", '\t', score_LSVC) 135 136 # 保存模型 137 joblib.dump(LSVC, path_saved_models + "model_LSVC.m") 138 139 return LSVC 140 141 142 # SGDC, stochastic gradient decent 隨機梯度下降法求解(線性模型) 143 def way_SGDC(): 144 X_train_SGDC = X_train 145 y_train_SGDC = y_train 146 147 X_test_SGDC = X_test 148 y_test_SGDC = y_test 149 150 # ss_SGDC = StandardScaler() 151 # X_train_SGDC = ss_SGDC.fit_transform(X_train_SGDC) 152 # X_test_SGDC = ss_SGDC.transform(X_test_SGDC) 153 154 SGDC = SGDClassifier(max_iter=5) 155 156 SGDC.fit(X_train_SGDC, y_train_SGDC) 157 158 global y_predict_SGDC 159 y_predict_SGDC = SGDC.predict(X_test_SGDC) 160 161 global score_SGDC 162 score_SGDC = SGDC.score(X_test_SGDC, y_test_SGDC) 163 print("The accurary of SGDC:", '\t', score_SGDC) 164 165 # 保存模型 166 joblib.dump(SGDC, path_saved_models + "model_SGDC.m") 167 168 return SGDC 169 170 171 pre_data() 172 way_LR() 173 way_LSVC() 174 way_MLPC() 175 way_SGDC()

3.3.3 測試 (?test_single_images.py )?

　　對于一張手寫體數字，提取特征然后利用保存的模型進行預測；

1 # created at 2018-01-29 2 # updated at 2018-09-28 3 4 # Author: coneypo 5 # Blog: http://www.cnblogs.com/AdaminXie 6 # GitHub: https://github.com/coneypo/ML_handwritten_number 7 8 # 利用保存到本地的訓練好的模型，來檢測單張 image 的標記 9 10 from sklearn.externals import joblib 11 from PIL import Image 12 13 img = Image.open("../test/test_1.png") 14 15 # Get features 16 from generate_datebase import get_features 17 features_test_png = get_features.get_features_single(img) 18 19 path_saved_models = "../data/data_models/" 20 21 # LR 22 LR = joblib.load(path_saved_models + "model_LR.m") 23 predict_LR = LR.predict([features_test_png]) 24 print("LR:", predict_LR[0]) 25 26 # LSVC 27 LSVC = joblib.load(path_saved_models + "model_LSVC.m") 28 predict_LSVC = LSVC.predict([features_test_png]) 29 print("LSVC:", predict_LSVC[0]) 30 31 # MLPC 32 MLPC = joblib.load(path_saved_models + "model_MLPC.m") 33 predict_MLPC = MLPC.predict([features_test_png]) 34 print("MLPC:", predict_MLPC[0]) 35 36 # SGDC 37 SGDC = joblib.load(path_saved_models + "model_SGDC.m") 38 predict_SGDC = SGDC.predict([features_test_png]) 39 print("SGDC:", predict_SGDC[0])

3.3.4 繪制樣本數-精度圖像

　　可以繪圖來更加直觀的精度：

1 # 2018-01-29 2 # By TimeStamp 3 # cnblogs: http://www.cnblogs.com/AdaminXie/ 4 # plot_from_csv.py 5 # 從存放樣本數-精度的CSV中讀取數據，繪制圖形 6 7 8 import numpy as np 9 import matplotlib.pyplot as plt 10 import pandas as pd 11 12 # CSV路徑 13 path_csv = "F:/***/P_ML_handwritten_number/data/score_csv/" 14 15 # 存儲x軸坐標 16 x_array = [] 17 18 # 存儲精度 19 LR_score_arr = [] 20 LSVC_score_arr = [] 21 MLPC_score_arr = [] 22 SGDC_score_arr = [] 23 24 # 讀取CSV數據 25 column_names = ["samples", "acc_LR", "acc_LSVC", "acc_MLPC", "acc_SGDC"] 26 rd_csv = pd.read_csv(path_csv + "score_100to5800.csv", names=column_names) 27 28 print(rd_csv.shape) 29 30 for i in range(len(rd_csv)): 31 x_array.append(float(rd_csv["samples"][i])) 32 LR_score_arr.append(float(rd_csv["acc_LR"][i])) 33 LSVC_score_arr.append(float(rd_csv["acc_LSVC"][i])) 34 MLPC_score_arr.append(float(rd_csv["acc_MLPC"][i])) 35 SGDC_score_arr.append(float(rd_csv["acc_SGDC"][i])) 36 37 ################ 3次線性擬合 ################ 38 xray = np.array(x_array) 39 y_LR = np.array(LR_score_arr) 40 y_LSVC = np.array(LSVC_score_arr) 41 y_MLPC = np.array(MLPC_score_arr) 42 y_SGDC = np.array(SGDC_score_arr) 43 44 z1 = np.polyfit(xray, y_LR, 5) 45 z2 = np.polyfit(xray, y_LSVC, 5) 46 z3 = np.polyfit(xray, y_MLPC, 5) 47 z4 = np.polyfit(xray, y_SGDC, 5) 48 49 p1 = np.poly1d(z1) 50 p2 = np.poly1d(z2) 51 p3 = np.poly1d(z3) 52 p4 = np.poly1d(z4) 53 54 y_LR_vals = p1(xray) 55 y_LSVC_vals = p2(xray) 56 y_MLPC_vals = p3(xray) 57 y_SGDC_vals = p4(xray) 58 ################################# 59 60 # 標明線條說明 61 plt.annotate("— LR", xy=(5030, 0.34), color='b', size=12) 62 plt.annotate("— LSVC", xy=(5030, 0.26), color='r', size=12) 63 plt.annotate("— MLPC", xy=(5030, 0.18), color='g', size=12) 64 plt.annotate("— SGDC", xy=(5030, 0.10), color='black', size=12) 65 66 # 畫擬合曲線 67 plt.plot(xray, y_LR_vals, color='b') 68 plt.plot(xray, y_LSVC_vals, color='r') 69 plt.plot(xray, y_MLPC_vals, color='g') 70 plt.plot(xray, y_SGDC_vals, color='black') 71 72 # 畫離散點 73 plt.plot(xray, y_LR, color='b', linestyle='None', marker='.', label='y_test', linewidth=100) 74 plt.plot(xray, y_LSVC, color='r', linestyle='None', marker='.', label='y_test', linewidth=0.01) 75 plt.plot(xray, y_MLPC, color='g', linestyle='None', marker='.', label='y_test', linewidth=0.01) 76 plt.plot(xray, y_SGDC, color='black', linestyle='None', marker='.', label='y_test', linewidth=0.01) 77 78 # 繪制y=1參考線 79 plt.plot([0, 6000], [1, 1], 'k--') 80 81 # 設置y軸坐標范圍 82 plt.ylim(0, 1.1) 83 84 # 標明xy軸 85 plt.xlabel('samples') 86 plt.ylabel('accuracy') 87 88 plt.show()

3.3.4 測試結果

　　在樣本數 sample_num = 50 的情況下，訓練 75% 數據，用 25% 的數據即 13 個樣本進行測試；

　　幾種模型的測試結果如圖 6 所示，可見除了 SVM 達到 84.7% 的精度之外，其他都在 60-70% 左右；

　　但是因為只有 50 個樣本點，小樣本的情況下測試精度的偶然性誤差比較大。

圖 6 手寫體識別的性能分析（在樣本數為 50 的情況下）

　　增加樣本數到 100，即生成了 100 張單個手寫體圖像，75 張用來訓練，25 張用來測試；

　　25 張的測試結果圖 6 所示，幾種模型的測試精度都達到了 90% 左右。

圖 7? 手寫體識別的性能分析（在樣本數為 100 的情況下）

圖 8 不同樣本數目下的四種模型的測試精度（ 5次擬合）

# 如果對您有幫助，歡迎在 GitHub 上 Star 支持我:? ? ? ? ??https://github.com/coneypo/ML_handwritten_number

# 請尊重他人勞動成果，轉載或者使用源碼請注明出處：?http://www.cnblogs.com/AdaminXie

# 如有問題請聯系郵箱：coneypo@foxmail.com

轉載于:https://www.cnblogs.com/AdaminXie/p/8249858.html

總結

以上是生活随笔為你收集整理的Python 3 利用机器学习模型进行手写体数字检测的全部內容，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站內容還不錯，歡迎將生活随笔推薦給好友。

上一篇： OSPF 报文链路状态请求报文 LSR
下一篇： css3滤镜Filter使用

python

Python 3 利用机器学习模型 进行手写体数字检测

總結

Python 3 利用机器学习模型进行手写体数字检测