如何在Python中使用SVM實現用於手寫識別的.dat文件

我一直在嘗試使用基於OpenCV庫上的代碼的SVM來訓練手寫數字。我訓練的一部分是如下：如何在Python中使用SVM實現用於手寫識別的.dat文件

import cv2 
import numpy as np 

SZ=20 
bin_n = 16 
svm_params = dict(kernel_type = cv2.SVM_LINEAR, 
        svm_type = cv2.SVM_C_SVC, 
       C=2.67, gamma=5.383) 
affine_flags = cv2.WARP_INVERSE_MAP|cv2.INTER_LINEAR 

def deskew(img): 
    m = cv2.moments(img) 
    if abs(m['mu02']) < 1e-2: 
     return img.copy() 
    skew = m['mu11']/m['mu02'] 
    M = np.float32([[1, skew, -0.5*SZ*skew], [0, 1, 0]]) 
    img = cv2.warpAffine(img,M,(SZ, SZ),flags=affine_flags) 
    return img 
def hog(img): 
    gx = cv2.Sobel(img, cv2.CV_32F, 1, 0) 
    gy = cv2.Sobel(img, cv2.CV_32F, 0, 1) 
    mag, ang = cv2.cartToPolar(gx, gy) 
    bins = np.int32(bin_n*ang/(2*np.pi)) # quantizing binvalues in (0...16) 
    bin_cells = bins[:10,:10], bins[10:,:10], bins[:10,10:], bins[10:,10:] 
    mag_cells = mag[:10,:10], mag[10:,:10], mag[:10,10:], mag[10:,10:] 
    hists = [np.bincount(b.ravel(), m.ravel(), bin_n) for b, m in zip(bin_cells, mag_cells)] 
    hist = np.hstack(hists)  # hist is a 64 bit vector 
    return hist 

img = cv2.imread('digits.png',0) 
if img is None: 
    raise Exception("we need the digits.png image from samples/data here !") 


cells = [np.hsplit(row,100) for row in np.vsplit(img,50)] 

train_cells = [ i[:50] for i in cells ] 
test_cells = [ i[50:] for i in cells] 

deskewed = [map(deskew,row) for row in train_cells] 
hogdata = [map(hog,row) for row in deskewed] 
trainData = np.float32(hogdata).reshape(-1,64) 
responses = np.float32(np.repeat(np.arange(10),250)[:,np.newaxis]) 

svm = cv2.SVM() 
svm.train(trainData,responses, params=svm_params) 
svm.save('svm_data.dat')

繼承人的digits.png enter image description here

其結果是，我得到了svm_data.dat文件。但是現在我不知道如何實現這個模型。可以說我想在這裏讀取這個號碼 enter image description here

任何人都可以幫我嗎？

來源

2017-08-22 Huỳnh Ngọc Thanh

我打算假設「如何實現模型」的意思是「如何預測新圖像的標籤」。

首先，注意，這並沒有什麼關係保存svm_data.dat本身，除非你想這樣做在不同的腳本/會話，在這種情況下，你可以從重新加載您的培訓svm對象文件。

有了這樣的方式，使得對新數據的預測需要三個步驟：

如果新的數據是從訓練數據有些不同，預處理它，所以它的訓練數據一致（見反轉和調整大小）。
提取特徵的方式與對訓練數據所做的相同。

使用訓練好的分類器預測標籤。

# Load the image 
img_predict = cv2.imread('predict.png', 0) 

# Preprocessing: this image is inverted compared to the training data 
# Here it is inverted back 
img_predict = np.invert(img_predict) 

# Preprocessing: it also has a completely different size 
# This resizes it to the same size as the training data 
img_predict = cv2.resize(img_predict, (20, 20), interpolation=cv2.INTER_CUBIC) 

# Extract the features 
img_predict_ready = np.float32(hog(deskew(img_predict))) 

# Reload the trained svm 
# Not necessary if predicting is done in the same session as training 
svm = cv2.SVM() 
svm.load("svm_data.dat") 

# Run the prediction 
prediction = svm.predict(img_predict_ready) 
print int(prediction)

輸出爲0，符合市場預期：

爲您上傳的示例圖像，這可以如下完成。

請注意，將要分類的數據與用於訓練的數據進行匹配非常重要。在這種情況下，跳過重新調整大小的步驟會導致圖像分類錯誤爲2。

此外，仔細觀察圖像可以發現它與訓練數據（更多背景，不同平均值）有點不同，所以如果分類器最終在圖像上表現得更差，我不會感到驚訝這與使用的測試數據in the original tutorial（其僅僅是訓練數據的一半）相比較。但是，這取決於特徵提取對訓練圖像和預測圖像之間的差異有多敏感。

來源

2017-08-24 00:17:51 WhoIsJack

如何在Python中使用SVM實現用於手寫識別的.dat文件

回答

相關問題