图片旋转对于识别模式带来的变化

举报
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

旋转图片
目 录
Contents
旋转图片
分割形成旋转图片
模型识别结果
网络识别代码
绘制结果
旋转总结

▲ 图1  旋转的模式

▲ 图1 旋转的模式

 

§01 转图片


  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

▲ 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

▲ 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

▲ 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 数字0旋转

▲ 图1.2.1 数字0旋转输出结果

▲ 图1.2.1 数字0旋转输出结果

▲ 图  数字1旋转

▲ 图 数字1旋转

▲ 图1.2.2 数字1旋转识别结果

▲ 图1.2.2 数字1旋转识别结果

▲ 图  数字2旋转

▲ 图 数字2旋转

▲ 图1.2.3 数字2旋转识别结果

▲ 图1.2.3 数字2旋转识别结果

▲ 图  数字3旋转

▲ 图 数字3旋转

▲ 图1.2.4 数字3旋转识别结果

▲ 图1.2.4 数字3旋转识别结果

▲ 图  数字4旋转

▲ 图 数字4旋转

▲ 图1.2.6 数字4旋转识别结果

▲ 图1.2.6 数字4旋转识别结果

▲ 图  数字5旋转

▲ 图 数字5旋转

▲ 图1.2.7 数字5旋转识别结果

▲ 图1.2.7 数字5旋转识别结果

▲ 图  数字6旋转

▲ 图 数字6旋转

▲ 图1.2.8 数字6旋转识别结果

▲ 图1.2.8 数字6旋转识别结果

▲ 图  数字7旋转

▲ 图 数字7旋转

▲ 图1.2.10 数字7旋转识别结果

▲ 图1.2.10 数字7旋转识别结果

▲ 图  数字8旋转

▲ 图 数字8旋转

▲ 图1.2.12 数字8旋转识别结果

▲ 图1.2.12 数字8旋转识别结果

▲ 图  数字9旋转

▲ 图 数字9旋转

▲ 图1.2.13 数字9旋转识别结果

▲ 图1.2.13 数字9旋转识别结果

 

转总结 ※


  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:

模型识别数字

▲ 图2.1 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

【版权声明】本文为华为云社区用户转载文章,如果您发现本社区中有涉嫌抄袭的内容,欢迎发送邮件进行举报,并提供相关证据,一经查实,本社区将立刻删除涉嫌侵权内容,举报邮箱: cloudbbs@huaweicloud.com
  • 点赞
  • 收藏
  • 关注作者

评论(0

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。

*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。