基于sklearn svm支持向量机识别数字

      在上一篇中，已经探讨了如何找出图片中轮廓，并将图片根据轮廓进行裁剪，做二值化处理，归一化大小。通过这样的一系列流程，我们已经能够得到了大小统一的二值图图片，在此基础上，可以构建字符识别的训练集。

       在本文中，将探讨如何基于支持向量机构建识别模型。本文的主要流程是：将统一大小的图片（尺寸为32*50）进行分区，如将之分为80个区域，每个区域的尺寸为4*5，计算每个区域内的平均灰度值，最后每个训练图片都得到一个长度为80的一维数组，以此作为训练集。之所以这样做主要是考虑降低训练图片的自由度，若直接将图片转化为32*50=1600的一维数组，这样每张图片所包含的自由度太高，由于训练集数量有限，太高的自由度会降低模型识别的准确度。以下是基于该思路定义的方法。

from eight_step import modeling
import os
import numpy as np
from sklearn.svm import SVC
from sklearn.externals import joblib
from sklearn import preprocessing
import cv2

def convImage(image,width,height):
    '''将图片分区，计算每个区域的hsv值'''
    '''image:被截取的图片；width和height分别为截取后每个区域的宽和高'''
    images = [] #用于保存每一个区域的平均灰度
    mount = width * height #计算每个区域有多少像素
    '''分别获得图片的宽和高'''
    w = len(image[0])
    h = len(image)
    '''定义宽高方向上截取的次数'''
    wm = int(w / width)
    hm = int(h / height)
    print('wm = ',wm,',hm = ',hm)
    '''截取的顺序是一行一行截取，每一行都是从左到右截取，截取完该行就截取该行的下一行'''
    for i in range(0,hm):
        for j in range(0,wm):
            crop = image[i*height:(i+1)*height,j*width:(j+1)*width] #截图
            '''说明：crop = image[y1:y2,x1:x2],
            其中(x1,y1),(x2,y2)分别为截图矩形的左上点，右下点的坐标，'''
            array_crop = np.ravel(crop)  #转为一维数组
            cropMean = sum(array_crop) / mount  #求平均灰度
            images.append(cropMean)
    return images

        构建训练集的流程就是读取指定路径下的图片，通过以上方法得到每一张图片每个区域的平均灰度值组成的数组（作为x_train），再通过图片的文件获取标签（作为y_train），然后构建模型。代码如下。

def getLabel(filename):
    '''根据图片名称得到图片对应的标签，如标签名A_resizeB.jpg,记标签为A'''
    labelStr = filename.split('_')[0]
    return labelStr

def getDataAndLabels(dir,width,height):
    '''获取训练模型所需的数据和标签，dir为训练图片的路径，
    width和height分别为截取后每个区域的宽和高'''
    data = []  #用于保存每张图片各个区域平均灰度的标签
    labels = [] #用于保存每张图片所对应的标签
    for filename in os.listdir(dir):    #遍历指定路径下的所有图片
        bins = modeling.bins_image(dir, filename, 180) #转化为二值图
        image = convImage(bins,width,height) #将图片分割成若干区域，计算每个区域的平均灰度值
        data.append(image)
        label = getLabel(filename)  #得到标签
        labels.append(label)
    return data,labels

def createModel(data,labels):
    '''训练支持向量机模型，data为一个二维数组，每一个元素是一个数组，表示每一张图片的信息，
    label是一个一维数组，每一个元素是一张图片的标签'''
    clf = SVC(decision_function_shape='ovo')  # ovo为一对一
    clf.fit(data, labels) #训练模型
    return clf

综合以上步骤：

def train(dir,width,height):
    data,labels = getDataAndLabels(dir,width,height)
    data_scale = preprocessing.scale(data) #对训练数据进行归一化
    clf = createModel(data_scale,labels)
    joblib.dump(clf,MODEL)  #将训练好的模型持久化，clf为模型对象，MODEL为模型持久化的路径和名称
    return clf

           以上就是训练模型的过程。构建了模型之后，就可以利用模型进行预测了，代码如下：

           

def simpleRead(dir,filename,width,height,convWidth,convHeight):
    '''读取图片，转化为指定大小的图片，最终转为为二值图，划分区域'''
    '''dir为图片的路径，filename为图片名称，width和height分别为将图片归一化的宽和高，
    convWidth和convHeight分别是切割区域的宽和高'''
    bins = modeling.bins_image(dir,filename,130)  #图片二值化
    arr_bins, image = modeling.normalize_bins(bins,width,height) #统一尺寸
    #image_open = opening(image)
    cv2.imwrite(dir+'bins_'+filename,image)
    x_test = convImage(image,convWidth,convHeight) #切割图片，计算每一个区域的平均灰度值
    return x_test

def getXtest(dir,filenames,width,height,convWidth,convHeight):
    '''读取指定路径dir下的所有图片，构建测试集，filenames为测试集图片名称的列表'''
    x_list = []
    for i in range(0,len(filenames)):
        array = simpleRead(dir,filenames[i],width,height,convWidth,convHeight)
        x_list.append(array)
    x_test = preprocessing.scale(x_list) #将测试集归一化，若不归一化，每次测试都会得到一个结果
    return x_test

def predict(filenames,width,height,convWidth,convHeight):
    '''对测试图片进行预测'''
    x_test = getXtest(TEST_DIR,filenames,width,height,convWidth,convHeight)
    clf = joblib.load(MODEL) #加载模型，MODEL为模型的路径和名称
    result = clf.predict(x_test)
    print('预测结果：')
    print(result)
    print('正确结果：')
    showTure(filenames)

需要注意的是，在对图片继续预测时，一定要将测试图片进行标准化处理，否则总是会得到一个结果。sklearn的preprocessing.scale()方法就可以提供这样一个功能，这样操作的本质就是将数据按其属性(按列进行)减去其均值，然后除以其方差，使得所有数据都聚集在0，附近，方差为1（参见点击打开链接）。用代码说明如下。

def standard():
    '''标准化'''
    a = np.array([[2.,3.,4.,5.],
                  [5.,3.,6.,7.],
                  [2.,1.,9.,3.]])
    mean = a.mean(axis=0) #计算每一列的平均值
    print('mean = ',mean)
    std = a.std(axis=0)  #计算每一列的方差
    print('std = ',std)

    x1 = (a-mean)/std
    print('x1 = ',x1)
    x2 = preprocessing.scale(a)
    print('x2 = ',x2)
    print(x1 == x2)

显示的结果为：

由此可见，x1和x2的结果完全相等。