Top 21 파이썬 숫자 인식 The 131 Correct Answer

You are looking for information, articles, knowledge about the topic nail salons open on sunday near me 파이썬 숫자 인식 on Google, you do not find the information you need! Here are the best content compiled and compiled by the toplist.Experience-Porthcawl.com team, along with other related topics such as: 파이썬 숫자 인식 파이썬 이미지 숫자 추출, 파이썬 OpenCV 숫자 인식, 파이썬 OCR, MNIST 숫자 인식, Tesseract 문자 인식, 한글 OCR 파이썬, 테서 렉트 숫자 인식, 파이썬 영수증 인식

---

Car License Plate Recognition – Python, Image Processing

Car License Plate Recognition – Python, Image Processing

---

파이썬 문자인식 숫자인식 해보자(pytesseract-OCR,deep-text-recognition)

• Article author: ekfkdlxm.tistory.com
• Reviews from users: 22831 Ratings
• Top rated: 3.0
• Lowest rated: 1
• Summary of article content: Articles about 파이썬 문자인식 숫자인식 해보자(pytesseract-OCR,deep-text-recognition) 파이썬은 tesseract에서 제공하는 pytesseract를 이용하여 간단하게 문자인식과 숫자인식을 할 수 있습니다. 먼저 장점으로는 한두줄의 코딩만으로 … …
• Most searched keywords: Whether you are looking for 파이썬 문자인식 숫자인식 해보자(pytesseract-OCR,deep-text-recognition) 파이썬은 tesseract에서 제공하는 pytesseract를 이용하여 간단하게 문자인식과 숫자인식을 할 수 있습니다. 먼저 장점으로는 한두줄의 코딩만으로 … 파이썬은 tesseract에서 제공하는 pytesseract를 이용하여 간단하게 문자인식과 숫자인식을 할 수 있습니다. 먼저 장점으로는 한두줄의 코딩만으로 문자를 추출할 수 있는 장점이 있고 단점으로는 요즘 OCR 에서..
• Table of Contents:

1 코드

2 pytesseract 와 OCR

태그

관련글

댓글0

태그

Read More

[ OpenCV + MNIST ] 손글씨로 쓴 숫자 인식하기 !

• Article author: kagus2.tistory.com
• Reviews from users: 12324 Ratings
• Top rated: 5.0
• Lowest rated: 1
• Summary of article content: Articles about [ OpenCV + MNIST ] 손글씨로 쓴 숫자 인식하기 ! 이중에서 답영역 추출 + ocr 하기를 시도해 보았다. 일단 사용할 이미지는 이것이다. MNIST 모델. #MNIST 모델 … …
• Most searched keywords: Whether you are looking for [ OpenCV + MNIST ] 손글씨로 쓴 숫자 인식하기 ! 이중에서 답영역 추출 + ocr 하기를 시도해 보았다. 일단 사용할 이미지는 이것이다. MNIST 모델. #MNIST 모델 … 결론부터 말하면 정말 멍청하고도 단순한 실수로 애꿎은 CNN 을 괴롭히고 있었다 🥲 (언니가 미안해…) 지금 내가 하고 있는 작업은 프론트에서 받아온 원본 사진을 처리해서 문제 영역 자르기-> 자른 영역에서..컴공 도비의 공부기록📓👩🏻‍💻
• Table of Contents:

Read More

kNN을 이용한 숫자 인식 — gramman 0.1 documentation

• Article author: opencv-python.readthedocs.io
• Reviews from users: 14227 Ratings
• Top rated: 4.9
• Lowest rated: 1
• Summary of article content: Articles about kNN을 이용한 숫자 인식 — gramman 0.1 documentation kNN Machine Learning 알고리즘을 이용하여 손글씨 숫자를 인식할 수 있다. 이번에는 kNN방식을 이용하여 손글씨 숫자를 인식하는 … python matchDigits.py train. …
• Most searched keywords: Whether you are looking for kNN을 이용한 숫자 인식 — gramman 0.1 documentation kNN Machine Learning 알고리즘을 이용하여 손글씨 숫자를 인식할 수 있다. 이번에는 kNN방식을 이용하여 손글씨 숫자를 인식하는 … python matchDigits.py train.
• Table of Contents:

Read More

[Python OpenCV] 파이썬 글자 인식, 파이썬 OCR, 파이썬 Tesseract 사용 :: 안산드레아스

• Article author: ansan-survivor.tistory.com
• Reviews from users: 16572 Ratings
• Top rated: 4.2
• Lowest rated: 1
• Summary of article content: Articles about [Python OpenCV] 파이썬 글자 인식, 파이썬 OCR, 파이썬 Tesseract 사용 :: 안산드레아스 [Python OpenCV] 파이썬 글자 인식, 파이썬 OCR, 파이썬 Tesseract 사용 … 위 코드는 이미지파일에서 글자(숫자, 영어)를 추출해서 text로 출력한다 … …
• Most searched keywords: Whether you are looking for [Python OpenCV] 파이썬 글자 인식, 파이썬 OCR, 파이썬 Tesseract 사용 :: 안산드레아스 [Python OpenCV] 파이썬 글자 인식, 파이썬 OCR, 파이썬 Tesseract 사용 … 위 코드는 이미지파일에서 글자(숫자, 영어)를 추출해서 text로 출력한다 … 파이썬을 이용해서 글자를 인식하는 프로그램이다. 아래 블로거님을 참고해서 제작 했다. (참고 링크) junyoung-jamong.github.io/computer/vision,/ocr/2019/01/30/Python%EC%97%90%EC%84%9C-Tesseract%EB%A5%BC-..
• Table of Contents:

[Python OpenCV] 파이썬 글자 인식 파이썬 OCR 파이썬 Tesseract 사용

티스토리툴바

Read More

[python] OpenCV-Python의 간단한 숫자 인식 OCR – 리뷰나라

• Article author: daplus.net
• Reviews from users: 6419 Ratings
• Top rated: 3.1
• Lowest rated: 1
• Summary of article content: Articles about [python] OpenCV-Python의 간단한 숫자 인식 OCR – 리뷰나라 [python] OpenCV-Python의 간단한 숫자 인식 OCR · 1) letter_recognition.data 파일이란 무엇입니까? · 2) 무엇을 results.reval() 의미합니까? …
• Most searched keywords: Whether you are looking for [python] OpenCV-Python의 간단한 숫자 인식 OCR – 리뷰나라 [python] OpenCV-Python의 간단한 숫자 인식 OCR · 1) letter_recognition.data 파일이란 무엇입니까? · 2) 무엇을 results.reval() 의미합니까?
• Table of Contents:

샘플 및 라벨 데이터 생성을위한 코드

교육 및 테스트를위한 코드

결과

글 탐색

최신 글

카테고리

태그

Read More

모두의 인공지능 with 파이썬: UNIT 16 숫자 인식 인공지능 만들기

• Article author: thebook.io
• Reviews from users: 8898 Ratings
• Top rated: 4.7
• Lowest rated: 1
• Summary of article content: Articles about 모두의 인공지능 with 파이썬: UNIT 16 숫자 인식 인공지능 만들기 모두의 인공지능 with 파이썬(이하 ‘책’)의 저작권은 이영호에게 있습니다. 책의 출판권 및 배타적발행권과 전자책의 배타적전송권은 (주)도서출판 길벗에 있습니다 … …
• Most searched keywords: Whether you are looking for 모두의 인공지능 with 파이썬: UNIT 16 숫자 인식 인공지능 만들기 모두의 인공지능 with 파이썬(이하 ‘책’)의 저작권은 이영호에게 있습니다. 책의 출판권 및 배타적발행권과 전자책의 배타적전송권은 (주)도서출판 길벗에 있습니다 … 더북, TheBook, 모두의 인공지능 with 파이썬: UNIT 16 숫자 인식 인공지능 만들기더북(TheBook): (주)도서출판 길벗에서 제공하는 IT 도서 열람 서비스입니다.
• Table of Contents:

Read More

OpenCV-Python의 간단한 숫자 인식 OCR. Python Engineering에서 Python 배우기

• Article author: python.engineering
• Reviews from users: 35046 Ratings
• Top rated: 3.8
• Lowest rated: 1
• Summary of article content: Articles about OpenCV-Python의 간단한 숫자 인식 OCR. Python Engineering에서 Python 배우기 OpenCV-Python의 간단한 숫자 인식 OCR — 9413216 SIMPLE DIGIT RECOGNITION OCR IN OPENCV PYTHON. Python 학습: 자습서 및 책. 기계 학습, 데이터 과학 및 기타 … …
• Most searched keywords: Whether you are looking for OpenCV-Python의 간단한 숫자 인식 OCR. Python Engineering에서 Python 배우기 OpenCV-Python의 간단한 숫자 인식 OCR — 9413216 SIMPLE DIGIT RECOGNITION OCR IN OPENCV PYTHON. Python 학습: 자습서 및 책. 기계 학습, 데이터 과학 및 기타 … OpenCV-Python의 간단한 숫자 인식 OCR — 9413216 SIMPLE DIGIT RECOGNITION OCR IN OPENCV PYTHON. Python 학습: 자습서 및 책. 기계 학습, 데이터 과학 및 기타 초보자를 위한 Python 앱
• Table of Contents:

Shop

News

Wiki

Read More

---

See more articles in the same category here: toplist.Experience-Porthcawl.com/blog.

파이썬 문자인식 숫자인식 해보자(pytesseract-OCR,deep-text-recognition)

반응형

파이썬은 tesseract에서 제공하는 pytesseract를 이용하여 간단하게 문자인식과 숫자인식을 할 수 있습니다. 먼저 장점으로는 한두줄의 코딩만으로 문자를 추출할 수 있는 장점이 있고 단점으로는 요즘 OCR 에서 핫한 딥러닝 기반의 OCR 보다는 낮은 수준의 인식률입니다. 실제 사용하기는 무리가 있고 테스트 프로그램이나 토이 프로그램에 적용할 만한 수준이라 보시면됩니다.

1. 코드

import pytesseract import cv2 img=cv2.imread(‘test.jpg’,cv2.IMREAD_COLOR) result = pytesseract.image_to_string(img, lang=’kor’) print(result)

코드를 작성하시기전 pytesseract와 opencv라이브러리는 pip를 통해 설치 하시면됩니다. 네 단 4줄입니다 너무 간단한가요? 처음 설명드린데로 간단하지만 회전되있는 문자나 살짝 뒤틀린 문자에서는 문자인식 및 숫자인식을 정확히 못하는 현상이 발생할 수 있습니다. 저번에 opencv ip카메라 접속에 대한 포스팅을 했었는데요. 조금만 응용해서 ip카메라에 접속해서 그 화면을 실시간으로 문자인식(OCR)하는 프로그램을 만들어 볼 수도 있습니다.

2022.01.25 – [개발] – 파이썬 IP카메라 연동하기 OPENCV 사용(RTSP 정리)

import pytesseract import cv2 cam=cv2.VideoCapture(rtsp://admin:[email protected]:554/cam/realmonitor?channel=1&subtype=1) while True: _,img=cam.read() result = pytesseract.image_to_string(img, lang=’kor’) print(result) cv2.imshow(“TEST”,img) cv2.waitKey(1)

이런식으로요 웹캠도 같고 모든 이미지 파일은 이런식으로 파이썬을 통한 문자인식을 할 수 있습니다. 실시간 동영상으로 확인해보시면 사진보다는 굉장히 낮은 인식률을 확인 하실 수 있을겁니다. 문자인식 숫자인식 인식률을 높이는 방법은 차차 포스팅 해나가도록 하겠습니다.

2. pytesseract 와 OCR

눈치 채셨겠지만 pytesseract.image_to_string(img, lang=’kor’)부분에서 lang부분에서 각자 원하는 문자를 선택 하여 인식 할 수 있습니다. 자세한 함수 사용법과 업데이트 사항은 해당 링크에서 확인 하실 수 있습니다. 여러가지 인자를 바꿔보고 다른 함수도 전부 한줄 또는 두줄이면 쉽게 할 수 있으니 하나씩 써보길 추천드립니다.

https://pypi.org/project/pytesseract/

좀더 나는 정확도가 높은 문자인식을 배워보고 싶다 또는 적용해보고 싶다고 하시면 해당 링크를 추천드립니다. clovaai 에서 제공하는 deep-text-recognition인데 이내용도 시간이 된다면 다뤄보도록 하겠습니다.

https://github.com/clovaai/deep-text-recognition-benchmark

반응형

[ OpenCV + MNIST ] 손글씨로 쓴 숫자 인식하기 !

반응형

결론부터 말하면 정말 멍청하고도 단순한 실수로 애꿎은 CNN 을 괴롭히고 있었다 🥲 (언니가 미안해…)

지금 내가 하고 있는 작업은 프론트에서 받아온 원본 사진을 처리해서 문제 영역 자르기-> 자른 영역에서 네모 친 답영역 추출 -> 손글씨로 쓴 답 ocr 하기

이중에서 답영역 추출 + ocr 하기를 시도해 보았다.

일단 사용할 이미지는 이것이다.

MNIST 모델

#MNIST 모델 import tensorflow as tf import numpy as np import matplotlib.pyplot as plt (x_train, y_train), (x_test, y_test) = tf.keras.datasets.mnist.load_data() # 각종 파라메터의 영향을 보기 위해 랜덤값 고정 tf.random.set_seed(1234) # Normalizing data x_train, x_test = x_train / 255.0, x_test / 255.0 # (60000, 28, 28) => (60000, 28, 28, 1)로 reshape x_train = x_train.reshape(-1, 28, 28, 1) x_test = x_test.reshape(-1, 28, 28, 1) # One-hot 인코딩 y_train = tf.keras.utils.to_categorical(y_train, 10) y_test = tf.keras.utils.to_categorical(y_test, 10) model = tf.keras.Sequential([ tf.keras.layers.Conv2D(kernel_size=(3,3), filters=64, input_shape=(28,28,1), padding=’same’, activation=’relu’), tf.keras.layers.Conv2D(kernel_size=(3,3), filters=64, padding=’same’, activation=’relu’), tf.keras.layers.MaxPool2D(pool_size=(2,2)), tf.keras.layers.Conv2D(kernel_size=(3,3), filters=128, padding=’same’, activation=’relu’), tf.keras.layers.Conv2D(kernel_size=(3,3), filters=256, padding=’valid’, activation=’relu’), tf.keras.layers.MaxPool2D(pool_size=(2,2)), tf.keras.layers.Flatten(), tf.keras.layers.Dense(units=512, activation=’relu’), tf.keras.layers.Dropout(0.5), tf.keras.layers.Dense(units=256, activation=’relu’), tf.keras.layers.Dropout(0.5), tf.keras.layers.Dense(units=10, activation=’softmax’) ]) model.compile(loss=’categorical_crossentropy’, optimizer=tf.optimizers.Adam(lr=0.001), metrics=[‘accuracy’]) model.summary() model.fit(x_train, y_train, batch_size=100, epochs=10, validation_data=(x_test, y_test)) result = model.evaluate(x_test, y_test) print(“최종 예측 성공률(%): “, result[1]*100)

출처: laboputer.github.io/machine-learning/2020/03/12/mnist995/

이 글의 4번 부분을 사용했다. 일단은 돌아가는지 확인하기 위해 구글링한 코드를 사용했고, 추후에 좀더 보완할 예정 🙂

바깥 테두리 지우고 숫자영역 찾아내기

일단 이미지를 처리해주었다.

import cv2 import matplotlib.pyplot as plt %matplotlib inline #이미지 읽어오기 img = cv2.imread(“/content/drive/MyDrive/GRADING_Study/kh/hand/ex/788.png”) plt.figure(figsize=(15,12)) print(“img”) #이미지 흑백처리 img_gray=cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) #이미지 블러 img_blur = cv2.GaussianBlur(img_gray, (5, 5), 0) #이미지 내의 경계 찾기 ret, img_th = cv2.threshold(img_blur, 127, 255, cv2.THRESH_BINARY_INV) contours, hierachy= cv2.findContours(img_th.copy(), cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE) #경계를 직사각형으로 찾기 rects = [cv2.boundingRect(each) for each in contours] #왼쪽에 있는 경계 순서대로 정렬 rects=sorted(rects) thickness=abs(rects[0][2]-rects[1][2])*2 #가장 밖에 있는 경계선 찾기 contour_sizes = [(cv2.contourArea(contour), contour) for contour in contours] biggest_contour = max(contour_sizes, key=lambda x: x[0])[1] #찾은 경계선 흰색으로 칠하기 cv2.drawContours(img_blur, biggest_contour,-1,(255,255,255),thickness) cv2_imshow(img_blur) #경계선 지우고 경계 다시 찾기 : 숫자만 찾기 위해서 ret, img_th = cv2.threshold(img_blur, 127, 255, cv2.THRESH_BINARY_INV) contours, hierachy= cv2.findContours(img_th.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE) #경계 직사각형 찾기 rects = [cv2.boundingRect(each) for each in contours] #왼쪽부터 읽어와야 하므로 정렬 rects=sorted(rects) # 사각형 영역 추출 확인하기 # for rect in rects: # print(rect) # cv2.circle(img_blur, (rect[0],rect[1]),10,(0,0,255), -1) # cv2.circle(img_blur, (rect[0]+rect[2],rect[1]+rect[3]),10,(0,0,255), -1) # cv2.rectangle(img_blur,(rect[0],rect[1]),(rect[0]+rect[2],rect[1]+rect[3]),(0,255,0),3) cv2_imshow(img_blur)

더보기 cv2.threshold(img, threshold_value, value, flag) img: grayScale이고 threshold_value는 픽셀 문턱값이고 문턱값 이상이면 flag 에 따라 value로 바꿈. flacv2.THRESH_BINARY: threshold보다 크면 value로, 작으면 0으로 cv2.THRESH_BINARY_INV: threshold보다 크면 0으로 작으면 value로 cv2.THRESH_TRUNC: threshold보다 크면 value로 지정 작으면 기존의 값 그대로 사용 cv2.THRESH_TOZERO: treshold_value보다 크면 픽셀 값 그대로 작으면 0으로 cv2.THRESH_TOZERO_INV: threshold_value보다 크면 0으로 작으면 그대로 출처: https://hoony-gunputer.tistory.com/entry/opencv-python-이미지-Thresholding [후니의 컴퓨터]

가장 유용하게 사용한 함수는 아래 findContours함수이다.

더보기 _, countors, _ = cv2.findContours(thr, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE) 이미지에서 찾는 contours와 contours의 계층 구조를 반환해줍니다. 우리는 contours에만 관심이 있기 때문에 필요없는 것들은 ‘_’으로 받았습니다. thr: threshold 해준 이미지 데이터를 첫번째 인자로 집어넣는다. cv2.RETR_TREE: 두 번째 인자는 contour 추출 모드이며, 2번째 리턴값인 hiearchy의 값에 영향을 준다. cv2.RETR_EXTERNAL: 이미지 가장 바깥쪽의 contour만 추출 cv2.RETR_LIST: contour의 계층구조 상관관계를 고려하지 않고 contour을 추출 cv2.RETR_CCOMP: 이미지에서 모든 contour를 추출한 후, 2단계 contour 계층 구조로 구성함. 1단계 계층에서는 외곽 경계 부분을, 2단계 계층에서는 구멍(hole)의 경계 부분을 나타내는 contour러 구성됨 cv2.RETR_TREE: 이미지에서 모든 contour을 추출하고 contour들간의 상관관계를 추출함 cv2.CHAIN_APPROX_SIMPLE: 세번째 인자는 contour 근사 방법이다. cv2.CHAIN_APPROX_NONE: contour를 추출하고 Contour들간의 상관관계를 추출함 cv2.CHAIN_APPROX_SIMPLE: contour의 수평, 수직, 대각선 방향의 점은 모두 버리고 끝점만 만겨둠 CHAIN_APPROX_TC89_L1: Teh_Chin 연결 근사 알고리즘을 적용함

출처: https://hoony-gunputer.tistory.com/entry/OpenCV-python-Contour [후니의 컴퓨터]

처음엔 cv2.RETR_TREE를 사용해서 모든 경계를 찾았다.

여기에서 사용한 217+ 동그라미이미지에 cv2.RETR_EXTERNAL을 적용하면 217+O를 하나의 덩어리로 인식해 버린다.

그러면 2,1,7,을 각각 읽어 숫자로 변환할 수가 없기 때문에 이 경계 테두리를 지우는 과정이 필요하다.

(좌) cv2.RETR_TREE로 찾은 경계 (우) cv2.RETR_EXTERNAL로 찾은 경계

답 주위의 원 또는 네모는 안밖의 경계가 두개씩 생기는 점을 이용했다.

rects=[cv2.boundingRect(each) for each in contours] 를 통해 만들어진 경계들을 직사각형 형태로 만들었다.

rects 를 찍어보면 총 네개 의 값이 나온다.

이런식으로 나오는데 rects의 요소를 rect로 받아 살펴보면

rect[0] : 직사각형의 왼쪽 상단 점의 x 좌표

rect[1]: 직사각형의 왼쪽 상단 점의 y 좌표

rect[2]: 직사각형의 가로 길이

rect[3]: 직사각형의 세로 길이 이다.

#왼쪽에 있는 경계 순서대로 정렬 rects=sorted(rects) thickness=abs(rects[0][2]-rects[1][2])*2

그래서 rects 를 정렬하면 rect[0]값을 기준으로 rect들이 정렬된다.

이를 이용해서 가장 바깥 테두리의 경계의 두께(thickness) 를 구한다. <= 얘를 이용해서 경계를 흰색으로 칠할 것이기 때문! rects의 요소의 세로길이 차를 이용했다. 그리고 두께가 균일하지 않을 것을 고려해 차의 2배를 두께로 설정한다. #가장 밖에 있는 경계선 찾기 contour_sizes = [(cv2.contourArea(contour), contour) for contour in contours] biggest_contour = max(contour_sizes, key=lambda x: x[0])[1] (contour들의 넓이, contour)로 contour_sizes의 배열을 구성한다. 딕셔너리 처럼 쓰는 방식 contour_sizes 중 contour 넓이(x[0])를 키값으로 사용해 넓이가 가장 큰 폐곡선(max(여기서 찾은 x)의 [1]) 을 이용한다. #찾은 경계선 흰색으로 칠하기 cv2.drawContours(img_blur, biggest_contour,-1,(255,255,255),thickness) cv2_imshow(img_blur) img_blur 라는 이미지에 위에서 구한 가장 바깥 경계인 biggest_contour의 전체(-1을 이용) 를 흰색(255,255,255)으로, 그리고 두께는 위에서 구한 두께(thickness) 로 칠한다. 결과는 다음과 같다. 이제 이 이미지를 바탕으로 다시 숫자 박스들을 찾고, MNIST 모델로 숫자를 예측하면 된다. MNIST train, test 데이터는 사이즈가 (-1,28,28,1)로 정해져있다. 위 이미지를 추출하면 사이즈가 제각각이다. #경계선 지우고 경계 다시 찾기 : 숫자만 찾기 위해서 ret, img_th = cv2.threshold(img_blur, 127, 255, cv2.THRESH_BINARY_INV) contours, hierachy= cv2.findContours(img_th.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE) #경계 직사각형 찾기 rects = [cv2.boundingRect(each) for each in contours] #왼쪽부터 읽어와야 하므로 정렬 rects=sorted(rects) 주석처리한 부분을 해제하고 실행해보면 순서대로 영역을 찾아냈음을 확인 추출한 숫자영역 MNIST 돌리기 전처리 from google.colab.patches import cv2_imshow #이전에 처리해놓은 이미지 사용 img_for_class = img_blur.copy() #최종 이미지 파일용 배열 mnist_imgs=[] margin_pixel = 15 #숫자 영역 추출 및 (28,28,1) reshape for rect in rects: print(rect) #숫자영역 추출 im=img_for_class[rect[1]-margin_pixel:rect[1]+rect[3]+margin_pixel,rect[0]-margin_pixel:rect[0]+rect[2]+margin_pixel] row, col = im.shape[:2] #정방형 비율을 맞춰주기 위해 변수 이용 bordersize= max(row,col) diff=min(row,col) #이미지의 intensity의 평균을 구함 bottom = im[row-2:row, 0:col] mean = cv2.mean(bottom)[0] # border추가해 정방형 비율로 보정 border = cv2.copyMakeBorder( im, top=0, bottom=0, left=int((bordersize-diff)/2), right=int((bordersize-diff)/2), borderType=cv2.BORDER_CONSTANT, value=[mean, mean, mean] ) square=border cv2_imshow(square) #square 사이즈 (28,28)로 축소 resized_img=cv2.resize(square,dsize=(28,28),interpolation=cv2.INTER_AREA) mnist_imgs.append(resized_img) cv2_imshow(resized_img) 이 부분이 빠져서 가장 애를 먹었던 부분이다 🤨 처음에 단순하게 숫자영역을 추출하면 비율이 제각각이다. 예를들어 3을 손글씨로 쓰게되면 대충 가로:세로의 비율이 55:100 정도라 할때 reshape로 비율을 무시하고 (28,28)로 맞춰버리니까 굉장히 찌그러진 3이 된다. 결국 MNIST CNN 모델에 돌려도 제대로 읽지 못했다. 하지만 비율을 미리 맞추고 reshape를 하니 CNN모델이 문제없이 작동했다. 차례로 각 숫자의 rect, border, resized_img 숫자 이미지 모델 이용해 예측해보기 for i in range(len(mnist_imgs)): img = mnist_imgs[i] cv2_imshow(img) # 이미지를 784개 흑백 픽셀로 사이즈 변환 img=img.reshape(-1, 28, 28, 1) # 데이터를 모델에 적용할 수 있도록 가공 input_data = ((np.array(img) / 255) - 1) * -1 input_data # 클래스 예측 함수에 가공된 테스트 데이터 넣어 결과 도출 res = np.argmax(model.predict(input_data), axis=-1) print(res) 이 부분은 주석이 친절해서 생략.. 장하다 내새끼,,, 똑똑해,,, 반응형

kNN을 이용한 숫자 인식 — gramman 0.1 documentation

#-*- coding: utf-8 -*- import cv2 import numpy as np import glob import sys FNAME = ‘digits.npz’ def machineLearning(): img = cv2.imread(‘images/digits.png’) gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) cells = [np.hsplit(row,100) for row in np.vsplit(gray,50)] x = np.array(cells) train = x[:,:].reshape(-1,400).astype(np.float32) k = np.arange(10) train_labels = np.repeat(k,500)[:,np.newaxis] np.savez(FNAME,train=train,train_labels = train_labels) def resize20(pimg): img = cv2.imread(pimg) gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) grayResize = cv2.resize(gray,(20,20)) ret, thresh = cv2.threshold(grayResize, 125, 255,cv2.THRESH_BINARY_INV) cv2.imshow(‘num’,thresh) return thresh.reshape(-1,400).astype(np.float32) def loadTrainData(fname): with np.load(fname) as data: train = data[‘train’] train_labels = data[‘train_labels’] return train, train_labels def checkDigit(test, train, train_labels): knn = cv2.ml.KNearest_create() knn.train(train, cv2.ml.ROW_SAMPLE, train_labels) ret, result, neighbours, dist = knn.findNearest(test, k=5) return result if __name__ == ‘__main__’: if len(sys.argv) == 1: print ‘option : train or test’ exit(1) elif sys.argv[1] == ‘train’: machineLearning() elif sys.argv[1] == ‘test’: train, train_labels = loadTrainData(FNAME) saveNpz = False for fname in glob.glob(‘images/num*.png’): test = resize20(fname) result = checkDigit(test, train, train_labels) print result k = cv2.waitKey(0) if k > 47 and k<58: saveNpz = True train = np.append(train, test, axis=0) newLabel = np.array(int(chr(k))).reshape(-1,1) train_labels = np.append(train_labels, newLabel,axis=0) cv2.destroyAllWindows() if saveNpz: np.savez(FNAME,train=train, train_labels=train_labels) else: print 'unknow option'

So you have finished reading the 파이썬 숫자 인식 topic article, if you find this article useful, please share it. Thank you very much. See more: 파이썬 이미지 숫자 추출, 파이썬 OpenCV 숫자 인식, 파이썬 OCR, MNIST 숫자 인식, Tesseract 문자 인식, 한글 OCR 파이썬, 테서 렉트 숫자 인식, 파이썬 영수증 인식