- 微信
- 微博
  
  分享文章到微博
- 复制链接
  
  复制链接到剪贴板

图片旋转对于识别模式带来的变化

tsinghuazhuoqing 发表于 2022/01/14 23:19:35 2022/01/14

【摘要】简介：测试了七段数字图片段角度对于识别的影响。可以看到对于6,9两个数字，在旋转过程中他们之间会相互转换。2,5在旋转180°之后，它们与自己相同，会出现两个识别相同。0,8与其他数字自检有...

简介：测试了七段数字图片段角度对于识别的影响。可以看到对于6,9两个数字，在旋转过程中他们之间会相互转换。2,5在旋转180°之后，它们与自己相同，会出现两个识别相同。0,8与其他数字自检有着比较多的差异。 1,7两个数字有着较强的交叉。

关键词： 七段数字，LCD

▲ 图1 旋转的模式

§01 旋转图片

在博文 模型扫描识别图片 对于 七段数码数字模型 进行扫描测试，也就是利用对七段数码图片进行扫描识别，给出了波动的结果。

下面测试一下数字旋转对应的输出结果。

1.1 旋转图片

选择下面LED图片中的数码图像作为旋转测试。

▲ 图1.1.1 用于旋转测试的图片

1.1.1 分割形成旋转图片

（1）分割代码

from headm import *                 # =
import cv2
from paddle.vision.transforms import rotate

backgroundfile = '/home/aistudio/work/7seg/rotate/220112235650.BMP'
img = cv2.imread(backgroundfile)
printt(img.shape)

backcolor = mean(mean(mean(img, axis=0), axis=0))
printt(backcolor)

imgfile1 = '/home/aistudio/work/7seg/rotate/052-01234.JPG'
imgfile2 = '/home/aistudio/work/7seg/rotate/053-56789.JPG'

cutdir = '/home/aistudio/work/7seg/rotate/cutdir'

outsize = 48
rotateangle = range(0, 360, 10)

def cutimg(imgfile):
    img = cv2.imread(imgfile)
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

    imgwidth = gray.shape[1]
    imgheight = gray.shape[0]

    for i in range(5):
        left = int(imgwidth * i // 5)
        right = int(imgwidth * (i + 1) // 5)
        data = gray[:, left:right]
        data = cv2.resize(data, (outsize,outsize))

        for r in rotateangle:
            bgdim = ones((512,512)) * backcolor
            n1 = 256-24
            n2 = 256+24
            bgdim[n1:n2, n1:n2] = data

            rotdata = rotate(bgdim, r)
            data1 = rotdata[n1:n2,n1:n2]

            fn = os.path.join(cutdir, '%d_%03d.BMP'%(i+5, r))
            cv2.imwrite(fn, data1)

cutimg(imgfile2)

  
 
  
 
 
  1
  2
  3
  4
  5
  6
  7
  8
  9
  10
  11
  12
  13
  14
  15
  16
  17
  18
  19
  20
  21
  22
  23
  24
  25
  26
  27
  28
  29
  30
  31
  32
  33
  34
  35
  36
  37
  38
  39
  40
  41
  42
  43
  44
  45

（2）分割旋转结果

▲ 图1.1.2 旋转后的结果

from headm import *                 # =
import cv2

cutdir = '/home/aistudio/work/7seg/rotate/cutdir'
filedim = os.listdir(cutdir)

rotateangle = range(0, 360, 10)

gifpath = '/home/aistudio/GIF'
if not os.path.isdir(gifpath):
    os.makedirs(gifpath)
gifdim = os.listdir(gifpath)
for f in gifdim:
    fn = os.path.join(gifpath, f)
    if os.path.isfile(fn):
        os.remove(fn)

count = 0
for r in rotateangle:
    plt.clf()
    plt.figure(figsize=(10, 4))
    for i in range(2):
        for j in range(5):
            n = i*5+j
            fn = os.path.join(cutdir, '%d_%03d.BMP'%(n, r))

            img = cv2.imread(fn)
            plt.subplot(2,5,i*5+j+1)
            plt.imshow(img)

    savefile = os.path.join(gifpath, '%03d.jpg'%count)
    count += 1
    plt.savefig(savefile)

  
 
  
 
 
  1
  2
  3
  4
  5
  6
  7
  8
  9
  10
  11
  12
  13
  14
  15
  16
  17
  18
  19
  20
  21
  22
  23
  24
  25
  26
  27
  28
  29
  30
  31
  32
  33

▲ 图数字旋转

1.2 模型识别结果

1.2.1 网络识别代码

import sys,os,math,time
sys.path.append("/home/aistudio/external-libraries")
import matplotlib.pyplot as plt
from numpy import *

import paddle
import paddle.fluid as fluid
import cv2
import cv2

imgwidth = 48
imgheight = 48
inputchannel = 1
kernelsize   = 5
targetsize = 10
ftwidth = ((imgwidth-kernelsize+1)//2-kernelsize+1)//2
ftheight = ((imgheight-kernelsize+1)//2-kernelsize+1)//2

class lenet(paddle.nn.Layer):
    def __init__(self, ):
        super(lenet, self).__init__()
        self.conv1 = paddle.nn.Conv2D(in_channels=inputchannel, out_channels=6, kernel_size=kernelsize, stride=1, padding=0)
        self.conv2 = paddle.nn.Conv2D(in_channels=6, out_channels=16, kernel_size=kernelsize, stride=1, padding=0)
        self.mp1    = paddle.nn.MaxPool2D(kernel_size=2, stride=2)
        self.mp2    = paddle.nn.MaxPool2D(kernel_size=2, stride=2)
        self.L1     = paddle.nn.Linear(in_features=ftwidth*ftheight*16, out_features=120)
        self.L2     = paddle.nn.Linear(in_features=120, out_features=86)
        self.L3     = paddle.nn.Linear(in_features=86, out_features=targetsize)

    def forward(self, x):
        x = self.conv1(x)
        x = paddle.nn.functional.relu(x)
        x = self.mp1(x)
        x = self.conv2(x)
        x = paddle.nn.functional.relu(x)
        x = self.mp2(x)
        x = paddle.flatten(x, start_axis=1, stop_axis=-1)
        x = self.L1(x)
        x = paddle.nn.functional.relu(x)
        x = self.L2(x)
        x = paddle.nn.functional.relu(x)
        x = self.L3(x)
        return x

model = lenet()
model.set_state_dict(paddle.load('/home/aistudio/work/seg7model4_1_all.pdparams'))

  
 
  
 
 
  1
  2
  3
  4
  5
  6
  7
  8
  9
  10
  11
  12
  13
  14
  15
  16
  17
  18
  19
  20
  21
  22
  23
  24
  25
  26
  27
  28
  29
  30
  31
  32
  33
  34
  35
  36
  37
  38
  39
  40
  41
  42
  43
  44
  45
  46

cutdir = '/home/aistudio/work/7seg/rotate/cutdir'
rotateangle = range(0, 360, 10)

def modelpre(n, degree):
    fn = os.path.join(cutdir, '%d_%03d.BMP'%(n, degree))
    img = cv2.imread(fn)
    data = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    data = data - mean(data)
    stdd = std(data)
    data = data/stdd

    inputs = data[newaxis, :, :]

    preid = model(paddle.to_tensor([inputs], dtype='float32'))

    return preid.numpy()

outdim = []

for r in rotateangle:
    out = modelpre(0, r)
    outdim.append(out[0])

print(outdim)

  
 
  1
  2
  3
  4
  5
  6
  7
  8
  9
  10
  11
  12
  13
  14
  15
  16
  17
  18
  19
  20
  21
  22
  23
  24

1.2.2 绘制结果

plt.clf()
plt.figure(figsize=(10,6))
for i in range(10):
    plt.plot([a[i] for a in outdim], label='Out=%d'%i)

plt.xlabel("Angle")
plt.ylabel("Value")
plt.grid(True)
plt.tight_layout()
plt.legend(loc='upper right')
plt.savefig('/home/aistudio/stdout.jpg')
plt.show()

  
 
  1
  2
  3
  4
  5
  6
  7
  8
  9
  10
  11
  12

▲ 图数字0旋转

▲ 图1.2.1 数字0旋转输出结果

▲ 图数字1旋转

▲ 图1.2.2 数字1旋转识别结果

▲ 图数字2旋转

▲ 图1.2.3 数字2旋转识别结果

▲ 图数字3旋转

▲ 图1.2.4 数字3旋转识别结果

▲ 图数字4旋转

▲ 图1.2.6 数字4旋转识别结果

▲ 图数字5旋转

▲ 图1.2.7 数字5旋转识别结果

▲ 图数字6旋转

▲ 图1.2.8 数字6旋转识别结果

▲ 图数字7旋转

▲ 图1.2.10 数字7旋转识别结果

▲ 图数字8旋转

▲ 图1.2.12 数字8旋转识别结果

▲ 图数字9旋转

▲ 图1.2.13 数字9旋转识别结果

※ 旋转总结 ※

测试了七段数字图片段角度对于识别的影响。可以看到对于6,9两个数字，在旋转过程中他们之间会相互转换。2,5在旋转180°之后，它们与自己相同，会出现两个识别相同。0,8与其他数字自检有着比较多的差异。 1,7两个数字有着较强的交叉。

■ 相关文献链接:

● 相关图表链接:

图1.1.1 用于旋转测试的图片
图1.1.2 旋转后的结果
图数字旋转
图数字0旋转
图1.2.1 数字0旋转输出结果
图数字1旋转
图1.2.2 数字1旋转识别结果
图数字2旋转
图1.2.3 数字2旋转识别结果
图数字3旋转
图1.2.4 数字3旋转识别结果
图数字4旋转
图1.2.6 数字4旋转识别结果
图数字5旋转
图1.2.7 数字5旋转识别结果
图数字6旋转
图1.2.8 数字6旋转识别结果
图数字7旋转
图1.2.10 数字7旋转识别结果
图数字8旋转
图1.2.12 数字8旋转识别结果
图数字9旋转
图1.2.13 数字9旋转识别结果

模型识别数字

▲ 图2.1 识别数字

from headm import *                 # =

import paddle
import paddle.fluid as fluid
import cv2
import cv2

imgwidth = 48
imgheight = 48
inputchannel = 1
kernelsize   = 5
targetsize = 10
ftwidth = ((imgwidth-kernelsize+1)//2-kernelsize+1)//2
ftheight = ((imgheight-kernelsize+1)//2-kernelsize+1)//2

class lenet(paddle.nn.Layer):
    def __init__(self, ):
        super(lenet, self).__init__()
        self.conv1 = paddle.nn.Conv2D(in_channels=inputchannel, out_channels=6, kernel_size=kernelsize, stride=1, padding=0)
        self.conv2 = paddle.nn.Conv2D(in_channels=6, out_channels=16, kernel_size=kernelsize, stride=1, padding=0)
        self.mp1    = paddle.nn.MaxPool2D(kernel_size=2, stride=2)
        self.mp2    = paddle.nn.MaxPool2D(kernel_size=2, stride=2)
        self.L1     = paddle.nn.Linear(in_features=ftwidth*ftheight*16, out_features=120)
        self.L2     = paddle.nn.Linear(in_features=120, out_features=86)
        self.L3     = paddle.nn.Linear(in_features=86, out_features=targetsize)

    def forward(self, x):
        x = self.conv1(x)
        x = paddle.nn.functional.relu(x)
        x = self.mp1(x)
        x = self.conv2(x)
        x = paddle.nn.functional.relu(x)
        x = self.mp2(x)
        x = paddle.flatten(x, start_axis=1, stop_axis=-1)
        x = self.L1(x)
        x = paddle.nn.functional.relu(x)
        x = self.L2(x)
        x = paddle.nn.functional.relu(x)
        x = self.L3(x)
        return x

model = lenet()
model.set_state_dict(paddle.load('/home/aistudio/work/seg7model4_1_all.pdparams'))

cutdir = '/home/aistudio/work/7seg/rotate/cutdir'
rotateangle = range(0, 360, 10)

def modelpre(n, degree):
    fn = os.path.join(cutdir, '%d_%03d.BMP'%(n, degree))
    img = cv2.imread(fn)
    data = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    data = data - mean(data)
    stdd = std(data)
    data = data/stdd

    inputs = data[newaxis, :, :]

    preid = model(paddle.to_tensor([inputs], dtype='float32'))

    return preid.numpy()

outdim = []

for r in rotateangle:
    out = modelpre(9, r)
    outdim.append(out[0])

plt.clf()
plt.figure(figsize=(10,6))
for i in range(10):
    plt.plot([a[i] for a in outdim], label='Out=%d'%i)

plt.xlabel("Angle")
plt.ylabel("Value")
plt.grid(True)
plt.tight_layout()
plt.legend(loc='upper right')
plt.savefig('/home/aistudio/stdout.jpg')
plt.show()

imgfile = '/home/aistudio/work/7seg/rotate/220113000554.JPG'
OUT_SIZE    = 48
def pic2netinput(imgfile):
    img = cv2.imread(imgfile)
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

    imgwidth = gray.shape[1]
    imgheight = gray.shape[0]

    f = os.path.basename(imgfile)
    numstr = '1234'
    numnum = len(numstr)

    imgarray = []
    labeldim = []

    for i in range(numnum):
        left = imgwidth * i // numnum
        right = imgwidth * (i + 1) // numnum

        data = gray[0:imgheight, left:right]
        dataout = cv2.resize(data, (OUT_SIZE, OUT_SIZE))

        dataout = dataout - mean(dataout)
        stdd = std(dataout)
        dataout = dataout / stdd

        if numstr[i].isdigit():
            imgarray.append(dataout[newaxis,:,:])
            labeldim.append(int(numstr[i]))

    test_i = paddle.to_tensor(imgarray, dtype='float32')
    test_label = array(labeldim)
    test_l = paddle.to_tensor(test_label[:, newaxis], dtype='int64')

    return test_i, test_l

def checkimglabel(imgfile):
    inp, label = pic2netinput(imgfile)
    preout = model(inp)
    preid = paddle.argmax(preout, axis=1).numpy().flatten()
    label = label.numpy().flatten()
    error = where(label != preid)[0]

    printt(preid:, label:)

checkimglabel(imgfile)

  
 
  
 
 
  1
  2
  3
  4
  5
  6
  7
  8
  9
  10
  11
  12
  13
  14
  15
  16
  17
  18
  19
  20
  21
  22
  23
  24
  25
  26
  27
  28
  29
  30
  31
  32
  33
  34
  35
  36
  37
  38
  39
  40
  41
  42
  43
  44
  45
  46
  47
  48
  49
  50
  51
  52
  53
  54
  55
  56
  57
  58
  59
  60
  61
  62
  63
  64
  65
  66
  67
  68
  69
  70
  71
  72
  73
  74
  75
  76
  77
  78
  79
  80
  81
  82
  83
  84
  85
  86
  87
  88
  89
  90
  91
  92
  93
  94
  95
  96
  97
  98
  99
  100
  101
  102
  103
  104
  105
  106
  107
  108
  109
  110
  111
  112
  113
  114
  115
  116
  117
  118
  119
  120
  121
  122
  123
  124
  125
  126
  127

文章来源: zhuoqing.blog.csdn.net，作者：卓晴，版权归原作者所有，如需转载，请联系作者。

原文链接：zhuoqing.blog.csdn.net/article/details/122462749

点赞
收藏
关注作者

0/1000

抱歉，系统识别当前为高风险访问，暂不支持该操作

全部回复

上滑加载中

设置昵称

在此一键设置昵称，即可参与社区互动！

*长度不超过10个汉字或20个英文字符，设置后3个月内不可修改。

确认取消

加入云驻计划，成为创作者

华为云周边好礼
免费体验产品
特殊身份标识
线下官方门票
内部专家零距离
与10000+优质创作者共同成长

立即加入

图片旋转对于识别模式带来的变化

§01 旋转图片

1.1 旋转图片

1.1.1 分割形成旋转图片

（1）分割代码

（2）分割旋转结果

1.2 模型识别结果

1.2.1 网络识别代码

1.2.2 绘制结果

※ 旋转总结 ※

模型识别数字

全部回复

设置昵称

关于作者

目录

加入云驻计划，成为创作者

图片旋转对于识别模式带来的变化

§01 旋转图片

1.1 旋转图片

1.1.1 分割形成旋转图片

（1）分割代码

（2）分割旋转结果

1.2 模型识别结果

1.2.1 网络识别代码

1.2.2 绘制结果

※ 旋转总结 ※

模型识别数字

全部回复

设置昵称

关于作者

目录

加入云驻计划，成为创作者

推荐阅读

相关产品