From 7bf9d9775eaa3aadaf68b95b6e83942c10bbde55 Mon Sep 17 00:00:00 2001
From: pp3zeujry <3183737740@qq.com>
Date: Wed, 3 Jul 2024 20:11:50 +0800
Subject: [PATCH] ADD file via upload

---
 mnistset.py | 302 ++++++++++++++++++++++++++++++++++++++++++++++++++++
 1 file changed, 302 insertions(+)
 create mode 100644 mnistset.py

diff --git a/mnistset.py b/mnistset.py
new file mode 100644
index 0000000..a656f65
--- /dev/null
+++ b/mnistset.py
@@ -0,0 +1,302 @@
+########手写数字数据集##########
+###########保存模型############
+########1层隐含层（全连接层）##########
+#60000条训练数据和10000条测试数据，28x28像素的灰度图像
+#隐含层激活函数：ReLU函数
+#输出层激活函数：softmax函数（实现多分类）
+#损失函数：稀疏交叉熵损失函数
+#输入层有784个节点，隐含层有128个神经元，输出层有10个节点
+import tensorflow as tf
+import matplotlib.pyplot as plt
+import numpy as np
+import tkinter as tk
+from tkinter import filedialog
+import cv2
+import utilsl
+import numpy as np
+import argparse
+import imutils
+from imutils import contours
+import tensorflow as tf
+import time
+print('--------------')
+nowtime = time.strftime('%Y-%m-%d %H:%M:%S')
+print(nowtime)
+
+#指定GPU
+#import os
+#os.environ["CUDA_VISIBLE_DEVICES"] = "0"
+#gpus = tf.config.experimental.list_physical_devices('GPU')
+#tf.config.experimental.set_memory_growth(gpus[0],True)
+#初始化
+plt.rcParams['font.sans-serif'] = ['SimHei']
+
+#加载数据
+mnist = tf.keras.datasets.mnist
+(train_x,train_y),(test_x,test_y) = mnist.load_data()
+print('\n train_x:%s, train_y:%s, test_x:%s, test_y:%s'%(train_x.shape,train_y.shape,test_x.shape,test_y.shape))
+
+#数据预处理
+#X_train = train_x.reshape((60000,28*28))
+#Y_train = train_y.reshape((60000,28*28))       #后面采用tf.keras.layers.Flatten()改变数组形状
+X_train,X_test = tf.cast(train_x/255.0,tf.float32),tf.cast(test_x/255.0,tf.float32)     #归一化
+y_train,y_test = tf.cast(train_y,tf.int16),tf.cast(test_y,tf.int16)
+
+#建立模型
+model = tf.keras.Sequential()
+model.add(tf.keras.layers.Flatten(input_shape=(28,28)))     #添加Flatten层说明输入数据的形状
+model.add(tf.keras.layers.Dense(128,activation='relu'))     #添加隐含层，为全连接层，128个节点，relu激活函数
+model.add(tf.keras.layers.Dense(10,activation='softmax'))   #添加输出层，为全连接层，10个节点，softmax激活函数
+print('\n',model.summary())     #查看网络结构和参数信息
+
+#配置模型训练方法
+#adam算法参数采用keras默认的公开参数，损失函数采用稀疏交叉熵损失函数，准确率采用稀疏分类准确率函数
+model.compile(optimizer='adam',loss='sparse_categorical_crossentropy',metrics=['sparse_categorical_accuracy'])
+
+#训练模型
+#批量训练大小为64，迭代5次，测试集比例0.2（48000条训练集数据，12000条测试集数据）
+print('--------------')
+nowtime = time.strftime('%Y-%m-%d %H:%M:%S')
+print('训练前时刻：'+str(nowtime))
+
+history = model.fit(X_train,y_train,batch_size=64,epochs=5,validation_split=0.2)
+
+print('--------------')
+nowtime = time.strftime('%Y-%m-%d %H:%M:%S')
+print('训练后时刻：'+str(nowtime))
+#评估模型
+model.evaluate(X_test,y_test,verbose=2)     #每次迭代输出一条记录，来评价该模型是否有比较好的泛化能力
+
+#保存模型参数
+#model.save_weights('C:\\Users\\xuyansong\\Desktop\\深度学习\\python\\MNIST\\模型参数\\mnist_weights.h5')
+#保存整个模型
+model.save('mnist_weights.h5')
+
+
+#结果可视化
+print(history.history)
+loss = history.history['loss']          #训练集损失
+val_loss = history.history['val_loss']  #测试集损失
+acc = history.history['sparse_categorical_accuracy']            #训练集准确率
+val_acc = history.history['val_sparse_categorical_accuracy']    #测试集准确率
+
+plt.figure(figsize=(10,3))
+
+plt.subplot(121)
+plt.plot(loss,color='b',label='train')
+plt.plot(val_loss,color='r',label='test')
+plt.ylabel('loss')
+plt.legend()
+
+plt.subplot(122)
+plt.plot(acc,color='b',label='train')
+plt.plot(val_acc,color='r',label='test')
+plt.ylabel('Accuracy')
+plt.legend()
+
+#暂停5秒关闭画布，否则画布一直打开的同时，会持续占用GPU内存
+#根据需要自行选择
+#plt.ion()       #打开交互式操作模式
+#plt.show()
+#plt.pause(5)
+#plt.close()
+
+#使用模型
+#plt.figure()
+#for i in range(10):
+#    num = np.random.randint(1,10000)
+
+#    plt.subplot(2,5,i+1)
+#    plt.axis('off')
+#    plt.imshow(test_x[num],cmap='gray')
+ #   demo = tf.reshape(X_test[num],(1,28,28))
+#    y_pred = np.argmax(model.predict(demo))
+#    plt.title('标签值：'+str(test_y[num])+'\n预测值：'+str(y_pred))
+#y_pred = np.argmax(model.predict(X_test[0:5]),axis=1)
+#print('X_test[0:5]: %s'%(X_test[0:5].shape))
+#print('y_pred: %s'%(y_pred))
+
+#plt.ion()       #打开交互式操作模式
+#plt.show()
+#plt.pause(5)
+#plt.close()
+
+
+# 创建tkinter根窗口并立即隐藏
+root = tk.Tk()
+root.withdraw()
+
+# 弹出文件选择对话框让用户选择模板文件
+#template_file_path = filedialog.askopenfilename(title="选择模板文件", filetypes=[("PNG files", "*.png"), ("JPEG files", "*.jpg"), ("All files", "*.*")])
+# 弹出文件选择对话框让用户选择信用卡图片
+image_file_path = filedialog.askopenfilename(title="选择信用卡图片", filetypes=[("PNG files", "*.png"), ("JPEG files", "*.jpg"), ("All files", "*.*")])
+
+# 使用用户选择的路径读取模板文件和信用卡图片
+#img = cv2.imread(template_file_path)
+image = cv2.imread(image_file_path)
+
+#指定信用卡类型
+FIRST_NUMBER={
+    "3":"American Express",
+    "4":"Visa",
+    "5":"MasterCard",
+    "6":"Discover Card"
+}
+
+#绘图展示
+def cv_show(name,img):
+    cv2.imshow(name,img)
+    cv2.waitKey(0)
+    cv2.destroyAllWindows()
+
+def preprocess_image(roi):
+    # 调整图像大小并归一化
+    roi = cv2.resize(roi, (28, 28))
+    roi = roi / 255.0
+    roi = roi.reshape(1, 28, 28, 1)  # 为模型输入调整形状
+    return roi
+
+def predict_digit(roi, model):
+    roi = preprocess_image(roi)
+    prediction = model.predict(roi)
+    digit = np.argmax(prediction)
+    return str(digit)
+
+#读取一个模板文件
+#img=cv2.imread(template_file_path)
+#cv_show("img",img)
+#灰度图
+#ref=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
+#cv_show('ref',ref)
+#二值图像
+#ref=cv2.threshold(ref,10,255,cv2.THRESH_BINARY_INV)[1]
+#cv_show('ref',ref)
+
+#model = tf.keras.models.load_model('mnist_weights.h5')
+
+#计算轮廓
+#cv2.findContours()函数接受的参数为二值图，即黑白的（不是灰度图）
+#cv2.RETR_EXTERNAL只检测外轮廓，cv2.CHAIN_APPROX_SIMPLE只保留终点坐标
+#返回的list中每个元素都是图像中的一个轮廓
+
+#refCnts,hierarchy=cv2.findContours(ref.copy(),cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)
+#cv2.drawContours(img,refCnts,-1,(0,0,255),3)
+#cv_show('img',img)
+#refCnts=utilsl.sort_contours(refCnts,method="left-to-right")[0]#排序从左到右，从上到下
+#digits={}
+
+'''
+第一个参数：img是原图
+第二个参数：（x，y）是矩阵的左上点坐标
+第三个参数：（x+w，y+h）是矩阵的右下点坐标
+第四个参数：（0,255,0）是画线对应的rgb颜色
+'''
+#遍历每一个轮廓
+#for(i,c) in enumerate(refCnts):
+    #计算外接矩形并且resize成合适大小
+#    (x,y,w,h)=cv2.boundingRect(c)
+ #   roi=ref[y:y+h,x:x+w]
+  #  roi=cv2.resize(roi,(57,58))
+
+    #每一个数字对应一个模板
+  #  digits[i]=roi
+
+#初始化卷积核
+rectKernel=cv2.getStructuringElement(cv2.MORPH_RECT,(9,3))
+sqKernel=cv2.getStructuringElement(cv2.MORPH_RECT,(5,5))
+
+#读取输入图像，预处理
+image=cv2.imread(image_file_path)
+cv_show('image',image)
+image=utilsl.resize(image,width=300)
+gray=cv2.cvtColor(image,cv2.COLOR_BGR2GRAY)
+cv_show('gray',gray)
+
+#礼帽操作，突出更明亮的区域
+tophat=cv2.morphologyEx(gray,cv2.MORPH_TOPHAT,rectKernel)
+cv_show('tophat',tophat)
+
+#计算
+gradX=cv2.Sobel(tophat,ddepth=cv2.CV_32F,dx=1,dy=0,ksize=1)
+gradX=np.absolute(gradX)
+(minVal,maxVal)=(np.min(gradX),np.max(gradX))
+gradX=(255*((gradX-minVal)/(maxVal-minVal)))
+gradX=gradX.astype("uint8")
+
+print(np.array(gradX).shape)
+cv_show('gradX',gradX)
+
+#通过闭操作，（先膨胀，在腐蚀）将数字连在一起
+gradX=cv2.morphologyEx(gradX,cv2.MORPH_CLOSE,rectKernel)
+cv_show('gradX',gradX)
+#THRESH_OTSU会自动寻找合适的阈值，适合双峰，需把阈值参数设置为0
+thresh=cv2.threshold(gradX,0,255,cv2.THRESH_BINARY|cv2.THRESH_OTSU)[1]
+cv_show('thresh',thresh)
+
+#再来一个闭操作
+thresh=cv2.morphologyEx(thresh,cv2.MORPH_CLOSE,sqKernel)
+cv_show('thresh',thresh)
+
+thresh=cv2.morphologyEx(thresh,cv2.MORPH_CLOSE,sqKernel)
+cv_show('thresh',thresh)
+
+#计算轮廓
+threshCnts,hierarchy=cv2.findContours(thresh.copy(),cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)
+cnts=threshCnts
+cur_img=image.copy()
+cv2.drawContours(cur_img,cnts,-1,(0,0,255),3)
+cv_show('img',cur_img)
+locs=[]
+
+#遍历轮廓
+for (i,c) in enumerate(cnts):
+    #计算矩形
+    (x,y,w,h)=cv2.boundingRect(c)
+    ar=w/float(h)
+
+    #适合合适的区域，根据实际任务来，这里的基本是四个数字一组
+    if ar>2.5 and ar <4:
+        if(w>40 and w<55) and (h>10 and h<20):
+            #符合的留下来
+            locs.append((x,y,w,h))
+#将符合的轮廓从左到右排序
+locs=sorted(locs,key=lambda x:x[0])
+output=[]
+
+#遍历每一个轮廓中的数字
+for (i,(gX,gY,gW,gH)) in enumerate(locs):
+    #initialize the list of group digits
+    groupOutput=[]
+
+    #根据坐标提取每一个组
+    group=gray[gY-5:gY+gH+5,gX-5:gX+gW+5]
+    cv_show('group',group)
+    #预处理
+    group=cv2.threshold(group,0,255,cv2.THRESH_BINARY|cv2.THRESH_OTSU)[1]
+    cv_show('group',group)
+    #计算每一个轮廓
+    digitCnts,hierarchy=cv2.findContours(group.copy(),cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)
+    digitCnts=contours.sort_contours(digitCnts,method="left-to-right")[0]
+    #计算每一组总的每一个数值
+    for c in digitCnts:
+        (x, y, w, h) = cv2.boundingRect(c)
+        roi = group[y:y + h, x:x + w]
+        roi = cv2.resize(roi, (28, 28))
+        cv_show('roi', roi)
+
+        digit = predict_digit(roi, model)
+        groupOutput.append(digit)
+
+    print("识别的数字：", groupOutput)
+
+    #画出来
+    cv2.rectangle(image,(gX-5,gY-5),(gX+gW+5,gY+gH+5),(0,0,255),1)
+    cv2.putText(image,"".join(groupOutput),(gX,gY-15),cv2.FONT_HERSHEY_SIMPLEX,0.65,(0,0,255),2)
+    #得到结果
+    output.extend(groupOutput)
+# 打印结果
+#print("Credit Card Type: {}".format(FIRST_NUMBER[output[0]]))
+print("Credit Card #: {}".format("".join(output)))
+cv2.imshow("Image", image)
+cv2.waitKey()
+cv2.destroyAllWindows()
\ No newline at end of file