图像识别 | 手把手教你 sklearn 识别数字图像

2024-01-17 16:28:31

搭建数据集

我们首先需要准备用于训练模型的数据集。该数据集包含许多数字图像，每个图像都标记有其对应的数字。在使用 sklearn 模块进行图像识别时，通常我们会用到 MNIST 数据集，该数据集包含 70,000 张手写数字图像，其中 60,000 张为训练集，10,000 张为测试集。我们可以通过以下代码导入该数据集。

from sklearn.datasets import load_digits
digits = load_digits()

2. 特征提取

为了识别图像中的数字，我们需要先提取图像的特征。图像的特征可以有很多种，例如灰度值、纹理、边缘等等。我们选择使用灰度值作为图像的特征。灰度值是图像中每个像素的亮度值，它是一个 0 到 255 之间的整数。我们可以通过以下代码将图像的灰度值提取出来。

import numpy as np
X = np.array([img.reshape(8, 8) for img in digits.images])
y = digits.target

3. 训练模型

接下来，我们需要使用 sklearn 模块中的一个分类器来训练我们的模型。我们选择使用 SVM 分类器，SVM 分类器是一种非常有效的分类器，它可以很好地处理高维数据。我们可以通过以下代码训练我们的模型。

from sklearn.svm import SVC
classifier = SVC()
classifier.fit(X, y)

4. 评估模型

训练好模型之后，我们需要对模型的性能进行评估。我们可以使用测试集来评估模型的性能。我们可以通过以下代码来评估模型的准确率。

score = classifier.score(X_test, y_test)
print("准确率：", score)

5. 使用模型进行预测

我们还可以使用训练好的模型来对新的图像进行预测。我们可以通过以下代码来对新的图像进行预测。

new_img = np.array([img.reshape(8, 8) for img in new_images])
y_pred = classifier.predict(new_img)
print("预测结果：", y_pred)

6. 以图表展现图像识别过程

为了更加直观地展现图像识别过程，我们可以使用图表来展现。我们可以通过以下代码来绘制图表。

import matplotlib.pyplot as plt

# 绘制训练集和测试集的准确率曲线
plt.plot(range(1, len(scores) + 1), scores, label="训练集准确率")
plt.plot(range(1, len(scores) + 1), test_scores, label="测试集准确率")
plt.xlabel("迭代次数")
plt.ylabel("准确率")
plt.legend()
plt.show()

# 绘制不同超参数下的准确率曲线
plt.plot(C_values, scores, label="C=1")
plt.plot(C_values, test_scores, label="C=10")
plt.xlabel("C")
plt.ylabel("准确率")
plt.legend()
plt.show()