手写数字识别项目keraspythontensorflow联合

　　△  效果展示：
　　成功
　　手写一个阿拉伯数字：5，再识别，成功。
　　接下来，手把手教你如何完成上述效果。
　　△  环境和准备：
　　1 本机：deepin-linux操作系统，python3.8，微软编辑器vscode。
　　2 安装：
　　opencv-python 本机版本4.5.3
　　keras
　　tensorflow#本机安装 sudo pip3.8 install -i https://pypi.tuna.tsinghua.edu.cn/simple opencv-python sudo pip3.8 install -i https://pypi.tuna.tsinghua.edu.cn/simple keras sudo pip3.8 install -i https://pypi.tuna.tsinghua.edu.cn/simple --upgrade tensorflow
　　△  第一个文件：1_train.py
　　这个代码是训练并生成mnist_svm.xml，估计1分钟时间用来训练。import cv2 import numpy as np from keras.datasets import mnist from keras import utils  def main():     #直接使用Keras载入的训练数据(60000, 28, 28) (60000,)     (train_images,train_labels),(test_images,test_labels)=mnist.load_data()     #变换数据的形状并归一化     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          #将标签数据转为int32 并且形状为(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)      #创建svm模型     svm = cv2.ml.SVM_create()     #设置类型为SVM_C_SVC代表分类     svm.setType(cv2.ml.SVM_C_SVC)     #设置核函数     svm.setKernel(cv2.ml.SVM_POLY)     #设置其它属性     svm.setGamma(3)     svm.setDegree(3)     #设置迭代终止条件     svm.setTermCriteria((cv2.TermCriteria_MAX_ITER,300,1e-3))     #训练     svm.train(train_images,cv2.ml.ROW_SAMPLE,train_labels)     #保存在桌面文件夹keras_hand下     svm.save(＂/home/xgj/Desktop/keras_hand/mnist_svm.xml＂)      #在测试数据上计算准确率     #进行模型准确率的测试 结果是一个元组 第一个值为数据1的结果     test_pre=svm.predict(test_images)     test_ret=test_pre[1]      #计算准确率     test_ret=test_ret.reshape(-1,)     test_labels=test_labels.reshape(-1,)     test_sum=(test_ret==test_labels)     acc=test_sum.mean()     print(acc) #预测准确度,0.9671  if __name__==＂__main__＂:     main()
　　效果图
　　△  第二个文件：2_draw.py
　　写字板：用opencv手写数字并保存。import cv2 import numpy as np  ix,iy=-1,-1 #创建图像与窗口并将窗口与回调函数绑定 def in_img():     for i in range(512):         img[i,:]=0    #写字板是黑色底色      cv2.namedWindow(＂image＂)     cv2.setMouseCallback(＂image＂,draw_circle)      while(1):         cv2.imshow(＂image＂,img)         if cv2.waitKey(20)& 0xFF == ord(＂q＂):  #按q退出并保存             #res=cv2.resize(img,(28,28),interpolation=cv2.INTER_CUBIC)             res=cv2.resize(img,(28,28))  #注意这里大小是28             #默认就是 cv.INTER_LINEAR，用来缩小的             #cv.INTER_CUBIC (slow) & cv.INTER_LINEAR 用来放大             #注意保存地址是同名文件夹             cv2.imwrite( ＂/home/xgj/Desktop/keras_hand/res.jpg＂,res)             break     cv2.destroyAllWindows()  def draw_circle(event,x,y,flags,param):     global ix,iy,drawing     if event==cv2.EVENT_LBUTTONDOWN:         drawing=True         ix,iy=x,y     elif event==cv2.EVENT_MOUSEMOVE and flags==cv2.EVENT_FLAG_LBUTTON:         if drawing==True:             cv2.circle(img,(x,y),30,(255,255,255),-1)  #书写的是白色字     elif event==cv2.EVENT_LBUTTONUP:         drawing==False  def main():     global img     img=np.zeros((512,512,3),np.uint8)       #本质是创建了一个512x512x3的0矩阵，用于存储512x512的3通道图像，数据类型为uint8。     in_img()  if __name__==＂__main__＂:     main()
　　△  第三个文件：3_main.py
　　主文件，用来自己已经训练好的mnist_svm.xml，来识别自己手写的阿拉伯数字。import cv2 import numpy as np  def main():     #读取图片     img=cv2.imread(＂/home/xgj/Desktop/keras_hand/res.jpg＂,0)     img_sw=img.copy()     #将数据类型由uint8转为float32     img=img.astype(np.float32)     #图片形状由(28,28)转为(784,)     img=img.reshape(-1,)     #增加一个维度变为(1,784)     img=img.reshape(1,-1)     #图片数据归一化     img=img/255      #载入svm模型     svm=cv2.ml.SVM_load(＂/home/xgj/Desktop/keras_hand/mnist_svm.xml＂)     #进行预测     img_pre=svm.predict(img)     print(img_pre[1])      cv2.imshow(＂test＂,img_sw)     cv2.waitKey(0)  if __name__==＂__main__＂:     main()
　　△ 小结：
　　识别成功率比较高的有5,7,1。其他可能与自己手写的有关，还可以继续改善。