Python 2.7 如何在Python中使用SVM实现用于手写识别的.dat文件

我一直在尝试基于OpenCV库上的代码，使用SVM训练手写数字。我的培训内容如下：

import cv2
import numpy as np

SZ=20
bin_n = 16
svm_params = dict( kernel_type = cv2.SVM_LINEAR,
                   svm_type = cv2.SVM_C_SVC,
                C=2.67, gamma=5.383 )
affine_flags = cv2.WARP_INVERSE_MAP|cv2.INTER_LINEAR

def deskew(img):
    m = cv2.moments(img)
    if abs(m['mu02']) < 1e-2:
        return img.copy()
    skew = m['mu11']/m['mu02']
    M = np.float32([[1, skew, -0.5*SZ*skew], [0, 1, 0]])
    img = cv2.warpAffine(img,M,(SZ, SZ),flags=affine_flags)
    return img
def hog(img):
    gx = cv2.Sobel(img, cv2.CV_32F, 1, 0)
    gy = cv2.Sobel(img, cv2.CV_32F, 0, 1)
    mag, ang = cv2.cartToPolar(gx, gy)
    bins = np.int32(bin_n*ang/(2*np.pi))    # quantizing binvalues in (0...16)
    bin_cells = bins[:10,:10], bins[10:,:10], bins[:10,10:], bins[10:,10:]
    mag_cells = mag[:10,:10], mag[10:,:10], mag[:10,10:], mag[10:,10:]
    hists = [np.bincount(b.ravel(), m.ravel(), bin_n) for b, m in zip(bin_cells, mag_cells)]
    hist = np.hstack(hists)     # hist is a 64 bit vector
    return hist

img = cv2.imread('digits.png',0)
if img is None:
    raise Exception("we need the digits.png image from samples/data here !")


cells = [np.hsplit(row,100) for row in np.vsplit(img,50)]

train_cells = [ i[:50] for i in cells ]
test_cells = [ i[50:] for i in cells]

deskewed = [map(deskew,row) for row in train_cells]
hogdata = [map(hog,row) for row in deskewed]
trainData = np.float32(hogdata).reshape(-1,64)
responses = np.float32(np.repeat(np.arange(10),250)[:,np.newaxis])

svm = cv2.SVM()
svm.train(trainData,responses, params=svm_params)
svm.save('svm_data.dat')

导入cv2
将numpy作为np导入
SZ=20
bin_n=16
svm_参数=dict（内核类型=cv2.svm_线性，
svm_类型=cv2.svm_C_SVC，
C=2.67，γ=5.383）
仿射标志=cv2.扭曲逆映射| cv2.内部线性
def deskew（img）：
m=cv2.力矩（img）
如果abs（m['mu02']）小于1e-2：
返回img.copy（）
歪斜=m['mu11']/m['mu02']
M=np.float32（[[1，skew，-0.5*SZ*skew]，[0，1，0]]
img=cv2.warpAffine（img，M，（SZ，SZ），flags=affine_flags）
返回img
def hog（img）：
gx=cv2.Sobel（img，cv2.CV_32F，1，0）
gy=cv2.Sobel（img，cv2.CV_32F，0，1）
mag，ang=cv2.卡特波尔（gx，gy）
bin=np.int32（bin_n*ang/（2*np.pi））#量化（0…16）中的bin值
bin_单元格=存储箱[：10，：10]、存储箱[10:，：10]、存储箱[：10,10:]，存储箱[10:，10:]
mag_单元=mag[：10，：10]，mag[10:，：10]，mag[：10,10:]，mag[10:，10:]
hists=[np.bincount（b.ravel（），m.ravel（），bin_n）表示zip中的b，m（bin_单元格，mag_单元格）]
hist=np.hstack（hists）#hist是一个64位向量
返回历史记录
img=cv2.imread（'digits.png'，0）
如果img为无：
引发异常（“我们需要此处示例/数据中的digits.png图像！”）
cells=[np.hsplit（行，100）表示np.vsplit（img，50）中的行]
列单元=[i[：50]表示单元中的i]
test_cells=[i[50:]表示单元中的i]
deskewed=[列单元中行的映射（deskew，行）]
hogdata=[Deskweed中行的映射（hog，row]
trainData=np.float32（hogdata）。重塑（-1,64）
responses=np.float32（np.repeat（np.arange（10），250）[：，np.newaxis]）
svm=cv2.svm（）
训练（训练数据、响应、参数=svm_参数）
save（'svm_data.dat'））

这里是digits.png

结果，我得到了svm_data.dat文件。但是现在我不知道如何实现这个模型。假设我想在这里读这个数字

---

有人能帮我吗？

我假设“如何实现模型”是指“如何预测新图像的标签”

首先，请注意，这与保存的

svm_data.dat

本身无关，除非您希望在不同的脚本/会话中执行此操作，在这种情况下，您可以从文件中重新加载经过训练的

svm

对象

因此，预测新数据需要三个步骤：

如果新数据与训练数据存在差异，请对其进行预处理，使其与训练数据相匹配（请参见下面的反转和调整大小）

提取特征的方法与提取训练数据的方法相同

使用经过训练的分类器预测标签

对于您上载的示例图像，可以按如下方式执行：

# Load the image
img_predict = cv2.imread('predict.png', 0)

# Preprocessing: this image is inverted compared to the training data
# Here it is inverted back
img_predict = np.invert(img_predict)

# Preprocessing: it also has a completely different size
# This resizes it to the same size as the training data
img_predict = cv2.resize(img_predict, (20, 20), interpolation=cv2.INTER_CUBIC)

# Extract the features
img_predict_ready = np.float32(hog(deskew(img_predict)))

# Reload the trained svm
# Not necessary if predicting is done in the same session as training
svm = cv2.SVM()
svm.load("svm_data.dat")

# Run the prediction
prediction = svm.predict(img_predict_ready)
print int(prediction)

如预期，输出为

0

请注意，将要分类的数据与用于培训的数据相匹配非常重要。在这种情况下，跳过重新调整大小步骤将导致图像误分类为

2

---

此外，仔细观察图像会发现它与训练数据（更多的背景，不同的平均值）仍然有点不同，因此，如果分类器在这样的图像上的表现比所使用的测试数据（仅为训练数据的一半）差一点，我也不会感到惊讶。但是，这取决于特征提取对训练图像和预测图像之间的差异的敏感程度。

我假设“如何实现模型”是指“如何预测新图像的标签”

首先，请注意，这与保存的

svm_data.dat

本身无关，除非您希望在不同的脚本/会话中执行此操作，在这种情况下，您可以从文件中重新加载经过训练的

svm

对象

因此，预测新数据需要三个步骤：

如果新数据与训练数据存在差异，请对其进行预处理，使其与训练数据相匹配（请参见下面的反转和调整大小）

提取特征的方法与提取训练数据的方法相同

使用经过训练的分类器预测标签

对于您上载的示例图像，可以按如下方式执行：

# Load the image
img_predict = cv2.imread('predict.png', 0)

# Preprocessing: this image is inverted compared to the training data
# Here it is inverted back
img_predict = np.invert(img_predict)

# Preprocessing: it also has a completely different size
# This resizes it to the same size as the training data
img_predict = cv2.resize(img_predict, (20, 20), interpolation=cv2.INTER_CUBIC)

# Extract the features
img_predict_ready = np.float32(hog(deskew(img_predict)))

# Reload the trained svm
# Not necessary if predicting is done in the same session as training
svm = cv2.SVM()
svm.load("svm_data.dat")

# Run the prediction
prediction = svm.predict(img_predict_ready)
print int(prediction)

如预期，输出为

0

请注意，将要分类的数据与用于培训的数据相匹配非常重要。在这种情况下，跳过重新调整大小步骤将导致图像误分类为

2

此外，仔细观察图像会发现它与训练数据（更多的背景，不同的平均值）仍然有点不同，因此，如果分类器在这样的图像上的表现比所使用的测试数据（仅为训练数据的一半）差一点，我也不会感到惊讶。但是，这取决于特征提取对训练图像和预测图像之间的差异的敏感程度