C++學習貝葉斯分類器實現手寫數字識別示例解析
大傢好啊!這次的文章是上一個文章的後續,與上一次不同的是,這一次對數字識別采用的是貝葉斯(Bayes)分類器。貝葉斯在概率論與數理統計這門課講過,下面我們簡單瞭解一下:
首先,貝葉斯公式是
具體的解釋就不說瞭,我們說一說把貝葉斯用在數字識別的什麼位置。除瞭識別部分,其他的包括遍歷文件夾和圖片數字化都不變;0到9共十個數,所以分母有十項,P(Bj)(j是下標)相應的是0到9,則每一個的概率是1/10,分子上的P(Bi)是取到0到9中的一個,所以概率也是1/10。
(小夥伴如果看不明白建議去看看貝葉斯)所以我們分母可以提出來並約分,然後式子Pi/(P1+P2+P3+P4+P5+P6+P7+P8+P9)(Pi就是P(A|Bi),其他的就是i分別取值),變成這樣後,i取0——9的某個數就是測試樣本是這個數的概率,比如:i=0,表示測試用例是0的概率為P1/(P1+P2+P3+P4+P5+P6+P7+P8+P9+P10)(1就是對應數字0)。
那麼我們該如何找到Pin呢,我們是通過統計樣本每一位為1的概率,這樣說可能不太清楚,也就是假如一張0的圖片的數據化字符串為0000000000100000111000010010001010000111000000000(49位),我們一位一位的去統計每一位為1的個數(如下圖,也就是縱向的統計每個樣本的第某位為1的個數),最後除以總數,我的訓練庫一個數字的樣本有100張,假如我們統計到數字0的所有樣本的第一位數字為1的個數為46個,那麼數字0的第一位為1的概率為0.46,其他位也是依次統計,其他數字同上。
最終我們可以統計到每個數字的每一位為1的概率形成一個10*49的二維數組,即10個數字,每個數字49位。然後我們取一個測試用例,依次與10個數字進行計算概率,最後得到的概率比較大小,那麼我們如何去計算測試用例是某個數字的概率呢?下面我們把49位簡單的看成3位,假如數字0的第一、二、三位為1的概率是0.56、0.05、0.41,而測試用例的數據字符串為101,那麼我們取為1的概率直接乘,為0的用1減去這個概率,再乘起來,也就是0.56*0.95*0.41。到這裡就差不多使我們的所有思路瞭。
其他的思路解釋看上次的文章,鏈接 C++編程模板匹配超詳細的識別手寫數字實現示例
下面是我的代碼,首先opencv得自己安裝,這裡我給一個鏈接,可以參照上的步驟來
Window系統下Python如何安裝OpenCV庫
另外,我的Bayes這個函數太長瞭,應該分成幾個函數的,這樣會更好調試和閱讀
詳細的代碼解釋都在註釋裡,仔細的看看理解就好瞭,如果有更好的方法和思路,歡迎交流學習!
#include<iostream> #include<fstream> #include<opencv2/opencv.hpp> #include<opencv2/highgui.hpp> #include<opencv2/core.hpp> #include<io.h> //api和結構體 #include<string.h> #include<string> #include<sstream> //string 轉 int 數據類型包含 using namespace std; using namespace cv; void ergodicTest(string filename, string name); //遍歷函數 string Image_Compression(string imgpath); //壓縮圖片並返回字符串 void Bayes(); //貝葉斯分類器 int turn(char a); void main() { const char* filepath = "E:\\learn\\vsfile\\c++project\\pictureData\\train-images"; ergodicTest(filepath, "train_num.txt"); //處理訓練集 const char* test_path = "E:\\learn\\vsfile\\c++project\\pictureData\\test-images"; ergodicTest(test_path, "test_num.txt"); Bayes(); } void ergodicTest(string filename, string name) //遍歷並把路徑存到files { string firstfilename = filename + "\\*.bmp"; struct _finddata_t fileinfo; intptr_t handle; //不能用long,因為精度問題會導致訪問沖突,longlong也可 string rout = "E:\\learn\\vsfile\\c++project\\pictureData\\" + name; ofstream file; file.open(rout, ios::out); handle = _findfirst(firstfilename.c_str(), &fileinfo); if (_findfirst(firstfilename.c_str(), &fileinfo) != -1) { do { file << fileinfo.name<<":"<< Image_Compression(filename + "\\" + fileinfo.name) << endl; } while (!_findnext(handle, &fileinfo)); file.close(); _findclose(handle); } } string Image_Compression(string imgpath) //輸入圖片地址返回圖片二值像素字符 { Mat Image = imread(imgpath); //輸入的圖片 cvtColor(Image, Image, COLOR_BGR2GRAY); int Matrix[28][28]; //將digitization轉化為字符串類型 for (int row = 0; row < Image.rows; row++) //把圖片的像素點傳給數組 for (int col = 0; col < Image.cols; col++) { Matrix[row][col] = Image.at<uchar>(row, col); } string img_str = ""; //用來存儲結果字符串 int x = 0, y = 0; for (int k = 1; k < 50; k++) { int total = 0; for (int q = 0; q < 4; q++) for (int p = 0; p < 4; p++) if (Matrix[x + q][y + p] > 127) total += 1; y = (y + 4) % 28; if (total >= 6) img_str += '1'; //將28*28的圖片轉化為7*7即壓縮 else img_str += '0'; if (k % 7 == 0) { x += 4; y = 0; } } return img_str; } int turn(char a) //這個函數是把string類型轉換成int類型 { stringstream str; int f = 1; str << a; str >> f; str.clear(); return f; } void Bayes() { ifstream data_test, data_train; //從兩個數據字符串文件中取數據的文件流 string temp; //中間暫存字符串的變量 double count[10] = { 0 }; //用來計數每個數字樣本1個數 double probability[10][49] = { 0 }; int t = 0; //避免算數溢出 for (int i = 0; i < 49; i++) //按列處理訓練樣本(每一個樣本數據長度位49位) { data_train.open("E:\\learn\\vsfile\\c++project\\pictureData\\train_num.txt"); for (int j = 0; j < 1000; j++) //按順序取一千次數據 { getline(data_train, temp); //順序取每一行數據 if (temp.length() == 57) //本來長度是49,因為我有文件名所以要跳過文件名 { t = i + 8; //用t來代替i+8是因為string的[]中沒有+-重載,好像是這樣 if (turn(temp[t]) == 1) count[turn(temp[0])]++; //相應數字為1計數加1 else continue; } else if(temp.length() == 58) { t = i + 9; //有的文件名為8位有的為9位 if (turn(temp[t]) == 1) count[turn(temp[0])]++; //相應數字 else continue; } } data_train.close(); //一定要註意文件流打開和關閉的時機,打開和關閉一次之間是一次完整的遍歷(getline) for (int q = 0; q < 10; q++) { probability[q][i] =count[q] / 100.0; //計算每個數字數據樣本的每一位1的概率 count[q] = 0;//循環還要使用count,所以要初始化 } } double probab[10] = { 1,1,1,1,1,1,1,1,1,1 }; //該數組是這個數字的概率(10個數字) data_test.open("E:\\learn\\vsfile\\c++project\\pictureData\\test_num.txt"); double temp_prob = 0; //對比可能性的中間變量:概率 int temp_num = -1; //對比可能性的中間變量:數字 bool flag = true; //標志拒絕識別,假就拒絕 int num_r = 0, num_f = 0, num_t = 0; //分別表示拒絕,錯誤,正確 for (int d = 0; d < 200; d++) //200個測試樣本 { for (int o = 0; o < 10; o++) probab[o] = 1;//初始化概率數組,雖然前面有初始化,但是我們循環會多次使用,所以我們要每循環一次初始化一次 getline(data_test, temp); for (int y = 0; y < 10; y++) //分別和每個數字得出一個概率,既該測試用例是這個數字的概率 { for (int s = 0; s < 49; s++) //49位對應去累乘得到概率 { if (temp.length() == 57) { t = s + 8; if (turn(temp[t]) == 1) probab[y] *=1+probability[y][s]; //加1是因為零點幾越乘越小,不好比較,而且有的概率可能為0, else probab[y] *= 2 - probability[y][s]; //同樣的,為0的概率也要加上1 } else { t = s + 9; if (turn(temp[t]) == 1) probab[y] *=1+probability[y][s]; //相應數字 else probab[y] *= (2 - probability[y][s]); } } } flag = true; //標志置位真 temp_prob = 0; //重置中間變量 temp_num = -1; //開始前不標識為任何數值 for (int l = 0; l < 10; l++) //比較測試用例是某個數字的概率,確定最大的那個 { if (probab[l] > temp_prob) { temp_prob = probab[l]; temp_num = l; flag = true; //不被拒絕 } else if (probab[l] == temp_prob ) { flag = false; //拒絕識別 } } if (!flag) { num_r++; } else { cout << temp[0] << " " << temp_num << endl; if (temp_num == turn(temp[0])) { cout << "識別為:" << temp_num << endl; num_t++; } else { cout << "識別錯誤!" << endl; num_f++; } } } data_test.close(); cout << "拒絕識別率為:" << num_r / 200.0 << endl; cout << "正確識別率為:" << num_t / 200.0 << endl; cout << "錯誤識別率為:" << num_f / 200.0 << endl; }
註意,我的代碼用的樣本圖片都是處理好的二值bmp圖片,另外代碼裡的txt文檔需要手動建,夥伴們可以自行修改,添加創建文本的語句。
每日一遍:好好學習,天天向上!
以上就是C++學習貝葉斯分類器實現手寫數字識別示例解析的詳細內容,更多關於實現手寫數字識別的資料請關註WalkonNet其它相關文章!
推薦閱讀:
- C++編程模板匹配超詳細的識別手寫數字實現示例
- openCV實現圖像分割
- VisualStudio2019配置OpenCV的詳細過程
- C++和OpenCV實現圖像字符化效果
- C++ OpenCV實戰之手寫數字識別