手写数字识别实践指导基础手册.docVIP

手写数字系统实践指导手册 1 问题描述 设计一个简单手写数字识别系统，能够识别手写输入数字1-9而且能够识别选中文本文件中数字，应含有简单方便操作界面，输入输出等。 1.1功效需求分析 经过分析，和从用户角度考虑，系统应该含有以下功效: 数字手写输入。作为一个手写数字识别系统，首先应该能够让用户过绘制窗口进行数字绘制，系统得到用户手写输入进行处理。 直接选择文件。用户还能够选择系统中文本文件进行处理。 数据预处理。包含计算数据大小、二值化、格式化处理等。 数字提取。将经过二值化后图像中个数字区域进行提取，只有能够将数字进行正确提取，才能将其一一识别。 基准库选择和建立。选择一个可供系统训练和测试样本库很关键，本系统训练集和测试集选择是《机器学习实战》中所给数据。 识别数字。经过训练集进行训练后，使用knn算法对需要识别数字识别。 2 数据集获取 任务要求： 从网上爬取或下载适合进行手写数字识别系统训练集和测试集 实践指导： 方法一：自己从网上找适合数据下载 方法二：推荐数据集：“手写数字数据集光学识别”一文中数据集合，该文登载和20XX年10月3日UCI机器学习资料库中 3 功效设计和实现 3.1手写数字识别系统结构图： 图一： 系统结构图 3.2识别用户选择手选文件功效设计和实现 任务要求： 用户能够自己从电脑中选择文本文件进行识别。 实践指导： KNN分类器结构思绪及原理以下： 选择训练集和测试集。系统所采取数据集选择是“手写数字数据集光学识别”一文中数据集合。0-9每个数字大约有200个训练数据20个测试数据。数字文本格式图所表示。 文本格式存放数字文件命名也很有特点，格式为：数字值_该数字样本序号，图所表示。 格式化处理数据。将训练集中32*32二进制图像矩阵转换为1*1024向量。用于knn距离计算 将训练集中全部文件内容存在列表中，创建一个m*1024训练矩阵，矩阵每行存放一个图像。 将需要进行估计测试集图像矩阵转换为1*1024向量。 编写KNN算法对训练集进行训练，然后对测试集进行估计。假如使用python话，能够调用sklearn.neighbors中KNeighborsClassifier函数对测试集进行估计。 5）真实值和估计值进行比较。数据中文件根据规则命名，我们能够从文件名中解析出分类数字，如文件9_1.txt分类时9，她是数字9第一个实例。 3.3识别用户手写输入功效设计和实现 任务要求： 用户能够在手写识别系统界面上用鼠标进行手写输入，然后系统自动识别出用户输入。 实践指导： 识别用户手写输入思绪和原理以下： 简单说就是把数字划分成很多很多小块，图二所表示：每个数字被划分成了4*5=20个小块。分好了小块以后，其实我们要知道每个小块是由很多个像点素组成。比如数字8，是由5行4列累计：5*4=20个小块组成。 （2）数一下每个小块内，有多少个黑色点。比如第一行： 第2个小块中，共有28个点，记为28. 第3个小块中，共有10个点，记为10. 第4个小B中，共有0个点，记为0. 以这类推，能够计算出每一行每一个小块数字是多少。 为了方便，我们把得到特征，排成一排（数组）就好了。 (4)照着葫芦画瓢，每个数字特征其实全部是一堆数字组成。这个数字类似于我们身份证号码，通常来说，是独一无二。 识别原理：就是比较要识别数字特征和步骤4中哪个数字特征最靠近。 这里为了方便，假设要识别数字“8”，然后看看怎么从一堆数字里面选出来她到底应该是几。具体方法时计算其欧式距离，距离越小代表其相同性越大。 4 系统评定 比较测试集中各个样本分类结果和真实类别，统计下表中a,b,c,d取值。 真实类别 正例 负例 分类器判定 正例 A B 负例 C D 依据下列公式计算查准率、查全率、F1值、正确率 查准率: 查全率: F1值: 正确率： 如不能完全实现查准率、查全率、F1值、正确率，最少计算下正确率。 5 简单系统界面 设计良好图形用户界面来展示系统功效。 输入：用户选择文本文件或鼠标手写输入 输出：识别后数字结果