Python實現手寫體數字圖片識別+GUI界面+畫板數字識別
__pycache__文件夾是Python自動生成的，詳細瞭解https://blog.csdn.net/yitiaodashu/article/details/79023987
其他各個文件在之後部分會依次介紹
圖片識別
版本：
python3.6
tensorflow 1.13.1（一定要安裝1.幾版本，不要安裝2.幾）
運行時可能有很多warning，不影響運行結果
此部分大多程序參考《TensorFlow實戰Google深度學習框架》
這裏使用的是基於全連接層網絡結構的神經網絡，對數字識別已經有了不錯的效果，但使用卷積神經網絡還可以提高正確率（大約99.2%），比如LeNet-5模型（https://blog.csdn.net/louishao/article/details/60867339）
在開始正式做之前，先看幾篇博客大致瞭解一下MNIST數據集：
https://blog.csdn.net/qq_38269418/article/details/78991649
https://blog.csdn.net/wspba/article/details/54311566
MNIST是深度學習的經典入門demo，他是由6萬張訓練圖片和1萬張測試圖片構成的，每張圖片都是28*28的灰度圖，像素取值爲0~1。這些圖片是採集的不同的人手寫從0到9的數字。TensorFlow將這個數據集和相關操作封裝到了庫中，每一張圖片是一個長度爲784的一維數組。
下面展示一些 內聯代碼片。
from tensorflow.examples.tutorials.mnist import input_data 1
會自動下載封裝好的數據集。但是我自己引入minst數據集會報各種各樣的錯誤，印象最深刻的是
我以爲是自己tensorflow和python版本的問題，因爲我同學就很順利就成功了，說真的浪費了好多時間在這個問題上，最後終於發現是數據集的原因，都快高興哭了https://blog.csdn.net/weixin_30699955/article/details/98091451
MNIST_data就是我根據這篇博客下載的tensorflow_mnist數據集
接下來是數字圖片識別相關的文件：
mnist_inference.py文件定義了前向傳播過程以及神經網絡的參數。三層全連接網絡結構，通過加入隱藏層實現了多層網絡結構。
mnist_train.py定義了神經網絡的訓練過程。運行mnist_train.py文件便會開始訓練模型，MNIST_model文件已經有訓練好的模型，你也可以刪掉或修改然後重新訓練。
MNIST_model文件夾保存了已經訓練30000次的模型
mnist_eval.py文件定義了測試過程。運行mnist_eval.py文件就是計算在mnist數據集上測試1萬張圖片的正確率。比如在MNIST數據集10000張測試圖片上的正確率
picture文件夾存放的是自己手寫數字的圖片
app.py文件實現了測試自己手寫數字的圖片。運行後直接識別picture文件夾裏的所有圖片。
遇到的困難
- 不知道模型訓練好了怎麼測試自己手寫的圖片
mnist_inference.py、mnist_train.py 和 mnist_eval.py這三個文件已經可以實現訓練模型和測試正確率。之後怎麼測試自己的圖片呢？
輸入節點是長度爲784的數組，所以得把自己的圖片轉化爲長度是784的數組，才能輸入到模型裏，才能得到結果。
代碼在app.py裏的image_prepare()函數，通過使用圖像處理庫PIL把圖片轉化爲灰度圖並且修改尺寸爲28*28，然後轉化爲數組。 - 測試自己手寫圖片的正確率太低
在mnist測試數據集上的正確率有98%以上，而測試自己手寫數字的正確率太低了，大部分數字都被識別成8。
這部分我參考了https://blog.csdn.net/qq_43479622/article/details/90906094，從這裏我們可以看出找到幾個原因 - mnist數據集圖片是黑底白字，而我們平時都是白底黑字，所以要對測試圖片灰度反轉。
修改後已經可以識別幾個數字了，但還是很多被識別成了8。原因是自己拍的圖片有很多噪點，直接輸入給模型就因爲噪點太多，被誤認爲是8。 - 二值化來降噪
使用opencv二值化圖像cv2.threshold(img,127,255,cv2.THRESH_BINARY)
雖然還有少量噪點，但已經有很好的識別效果了。（還可以再調整閾值） - 對自己手寫圖片的選取可以參考：
https://blog.csdn.net/qq_38269418/article/details/78991649
Gui界面
run1.py是界面文件
timg是界面背景圖，你也可以自己選
利用PyQt畫界面按鈕和文本框的介紹網上有很多。直接拿過來用就好。這部分的關鍵是怎麼把app.py的思路搬進run1.py。如果你的app.py運行順利的話，這部分也不會很難。
這部分我有兩個錯誤：
- 代碼順序引起的問題
錯誤代碼：
evaluate(pic)
def evaluate(pic):
。。。
123
改正代碼：
def evaluate(pic): 。。。 evaluate(pic) 123
- 圖片名稱輸出錯誤
pic_name是函數參數，在app.py的時候設置了，但是在run1.py裏我並沒有設置這個參數，即使設置也會出現別的錯誤。於是我先把pic_name設置成100行的「x」看輸出是否有錯誤。最終控制面板輸出是 x is 4。由此可見其他程序都沒有問題
經別人介紹用瞭如圖第99行的函數來進行圖片名稱的調用。
畫板數字識別
思路：在畫板上畫數字，之後截圖輸出，再通過GUI界面選擇這張圖片進行識別。
as.png截圖畫板輸出的圖片。
導出.png是畫板左上角的圖標，點擊後生成as.png。
now.py運行後，出現畫板界面。
畫板：https://www.jb51.net/article/126189.htm
需要一個列表來保存所有移動過的點，然後把所有相鄰兩個點之間都畫一條線，就能斷斷續續連成鼠標的痕跡了。當鼠標按住移動然後鬆開的時候，往保存所有移動過的點的列表中添加一個斷點(-1, -1)。然後在每次畫線的時候，都判斷一下是不是斷點，如果是斷點的話就想辦法跳過去，並且不連續的開始接着畫線。
截圖：https://blog.csdn.net/mxdzchallpp/article/details/79097951?utm_source=blogxgwz4&utm_medium=distribute.pc_relevant.none-task-blog-utm_term-3&spm=1001.2101.3001.4242
最終結果：
注意：
畫板中使用的是drawline函數，如果畫筆線條很細，識別率特別低，除非通過不斷描繪，人爲加粗線條，最終識別率還挺高的。但是最簡單的方法還是設置畫筆粗細。
https://blog.csdn.net/La_vie_est_belle/article/details/84930977?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522160429169019724822515101%2522%252C%2522scm%2522%253A%252220140713.130102334.pc%255Fall.%2522%257D&request_id=160429169019724822515101&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2allfirst_rank_v2~rank_v28-1-84930977.first_rank_ecpm_v3_pc_rank_v2&utm_term=PYQT++繪圖%2B打印&spm=1018.2118.3001.4449
PS：如有需要Python學習資料的小夥伴可以加點擊下方鏈接自行獲取