kNN ile El Yazısı OCR

Hedefler

Bu bölümde:

• Temel bir OCR uygulaması oluşturmak için kNN bilgisini kullanacağız
• OpenCV ile gelen Rakamlar ve Alfabe verisi üzerinde uygulamamızı deneyeceğiz

El Yazısı Rakamların OCR’si

Amacımız, el yazısıyla yazılmış rakamları okuyabilecek bir uygulama oluşturmaktır. OpenCV, 5000 el yazısı rakam içeren bir digits.png görüntüsüyle (her rakam için 500) birlikte gelir. Her rakam 20×20 piksel boyutundadır.

import numpy as np
import cv2 as cv

img = cv.imread('digits.png')
gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)

# Görüntüyü 5000 hücreye böl, her biri 20×20 boyutunda
cells = [np.hsplit(row, 100) for row in np.vsplit(gray, 50)]

# Numpy dizisine dönüştür: boyutu (50, 100, 20, 20) olacak
x = np.array(cells)

# Eğitim ve test verisi hazırla
train = x[:, :50].reshape(-1, 400).astype(np.float32)  # Boyut = (2500, 400)
test = x[:, 50:100].reshape(-1, 400).astype(np.float32)  # Boyut = (2500, 400)

# Eğitim ve test verisi için etiketler oluştur
k = np.arange(10)
train_labels = np.repeat(k, 250)[:, np.newaxis]
test_labels = train_labels.copy()

# kNN'i başlat, eğitim verisiyle eğit, ardından k=5 ile test verisiyle test et
knn = cv.ml.KNearest_create()
knn.train(train, cv.ml.ROW_SAMPLE, train_labels)
ret, result, neighbours, dist = knn.findNearest(test, k=5)

# Doğruluğu kontrol et
matches = result == test_labels
correct = np.count_nonzero(matches)
accuracy = correct * 100.0 / result.size
print(accuracy)

Bu uygulama yaklaşık %91 doğruluk sağlar. Doğruluğu artırmak için özellikle hata yapılan rakamlar için daha fazla veri ekleyebilirsiniz.

Veriyi Kaydetme ve Yükleme

Uygulamayı her başlatışımda bu eğitim verisini bulmak yerine kaydetmek daha iyidir:

# Veriyi kaydet
np.savez('knn_data.npz', train=train, train_labels=train_labels)

# Veriyi yükle
with np.load('knn_data.npz') as data:
    print(data.files)
    train = data['train']
    train_labels = data['train_labels']

Kaynak: OpenCV Python Tutorials — Orijinal Döküman