技術標籤：OPenCVopencvpythonsvm手寫數字識別

svm演算法是一種使用超平面將資料進行分類的演算法。
關於mnist資料的解析，讀者可以自己從網上下載相應壓縮檔案，用python自己編寫解析程式碼，由於這裡主要研究knn演算法，為了圖簡單，直接使用Keras的mnist手寫數字解析模組。
本次程式碼執行環境為：
python 3.6.8
opencv-python 4.4.0.46
opencv-contrib-python 4.4.0.46
以下程式碼為使用svm演算法進行訓練模型：

import cv2
import numpy as np
from keras.datasets import
 
 mnist
from keras import utils

if __name__=='__main__':

    #直接使用Keras載入的訓練資料(60000, 28, 28) (60000,)
    (train_images,train_labels),(test_images,test_labels)=mnist.load_data()
    #變換資料的形狀並歸一化
    train_images=train_images.reshape(train_images.shape[0],-1)#(60000, 784)
    train_images=train_images.astype('float32'
 
)/255

    test_images=test_images.reshape(test_images.shape[0],-1)
    test_images=test_images.astype('float32')/255
    
    #將標籤資料轉為int32 並且形狀為(60000,1)
    train_labels=train_labels.astype(np.int32)
    test_labels=test_labels.astype(np.int32)
    train_labels=train_labels.reshape(-1,1)
    test_labels=
 
test_labels.reshape(-1,1)

    #建立svm模型
    svm = cv2.ml.SVM_create()
    #設定型別為SVM_C_SVC代表分類
    svm.setType(cv2.ml.SVM_C_SVC)
    #設定核函式
    svm.setKernel(cv2.ml.SVM_POLY)
    #設定其它屬性
    svm.setGamma(3)
    svm.setDegree(3)
    #設定迭代終止條件
    svm.setTermCriteria((cv2.TermCriteria_MAX_ITER,300,1e-3))
    #訓練
    svm.train(train_images,cv2.ml.ROW_SAMPLE,train_labels)
    svm.save('mnist_svm.xml')

    #在測試資料上計算準確率
    #進行模型準確率的測試 結果是一個元組 第一個值為資料1的結果
    test_pre=svm.predict(test_images)
    test_ret=test_pre[1]

    #計算準確率
    test_ret=test_ret.reshape(-1,)
    test_labels=test_labels.reshape(-1,)
    test_sum=(test_ret==test_labels)
    acc=test_sum.mean()
    print(acc)

訓練了300次的準確率為0.9687，如果增大這個迭代次數，準確率還會升高。
生成的模型檔案為十多兆，這個相比於knn演算法，模型檔案小很多。
接下來使用svm模型進行手寫數字的測試識別，程式碼如下：

import cv2
import numpy as np

if __name__=='__main__':
    #讀取圖片
    img=cv2.imread('shuzi.jpg',0)
    img_sw=img.copy()

    #將資料型別由uint8轉為float32
    img=img.astype(np.float32)
    #圖片形狀由(28,28)轉為(784,)
    img=img.reshape(-1,)
    #增加一個維度變為(1,784)
    img=img.reshape(1,-1)
    #圖片資料歸一化
    img=img/255

    #載入svm模型
    svm=cv2.ml.SVM_load('mnist_svm.xml')
    #進行預測
    img_pre=svm.predict(img)
    print(img_pre[1])

    cv2.imshow('test',img_sw)
    cv2.waitKey(0)

執行程式，結果如下，可見成功識別了該圖片。