本实验代码已上传面包多，请点击购买，或者关注[全都是码农]公众号，回复[最近邻]，限时免费获取！
实验概述
本实验皆在运用OpenCV、Python等工具采用适当的算法对手写体数字进行识别与检测，可以提供训练集与测试集进行训练，并可以输入手写字体进行测试检验。
通过独立的完成本实验，可以极大地提高本人对于Python、OpenCV的理解，掌握手写数字的特征提取技术和最近邻模板匹配法。
环境说明
系统：window 10
软件：PyCharm Community Edition 2020.2.2 x64
语言：python 3.6
环境：cv2，numpy，matplotlib.pyplot，time
数据集
本数据集为100张图片，分别为数字0-9，每个数字10张图片，8张训练集，2张测试集。如下：
 图 1 数字零 |
 图 2 数字一 |
|---|---|
 图 3 数字二 |
 图 4 数字三 |
术语定义
训练集：可以训练模型参数，使模型拟合于正确的预测函数。
测试集：通过训练过的模型进行检验，评估最终模型泛化能力。
验证集：用于调超参数，监控模型是否发生过拟合。
需求说明
实验内容
1. 学习利用行列扫描的方法获取手写数字的上、下、左、右位置的子程序。
2. 设计手写数字的特征提取算法，并编写对应特征提取程序。
3. 编写基于最近邻模板匹配的手写数字识别程序。
实验结果与分析
记录输入数字0-9各10个，程序运行后相应的识别结果，并对结果进行深入分析。
1. 记录每个样品的特征提取效果图。
2. 记录该样品对应的归一化后的特征值。
3. 统计每个数字正确识别率。并对错误识别的情况进行深入分析。
软件设计
一、体系设计图
函数清单
| 函数名 | 函数功能简述 | 函数接口简述 |
|---|---|---|
| ImgToNp() | 将图片的路径导入到矩阵中。 | 输入：无 输出：图片路径矩阵 |
| outFeature() | 处理特征函数并贴标签。 | 输入：图片路径矩阵 输出：训练图片矩阵集与标签集 |
| star() | 程序按照预设好的结构进行循环测试与输出。 | 输入：训练图片矩阵集与标签集 输出：训练结果 |
| TestImgToNp() | 输入测试图片，并转化为矩阵。 | 输入：测试图片地址。 输出：测试图片矩阵。 |
| outfeatureImg() | 输出特征图与特征值。 | 输入：训练图片矩阵集 输出：保存特征图与特征值为文件。 |
代码介绍
（一）Mainapp.py代码
mainapp.py为主程序，表1函数清单中的函数均包含于其中。
运行程序后，程序先行运用ImgToNp()函数将img文件夹中0-9文件夹里的80个样本图片转化为矩阵保存于变量中并将其返回。
四、实验结果
运行mainapp.py后，输出框如下所示：
1. 图片地址以导入矩阵......
2. 准备提取特征......
3. 特征以存储于feature矩阵......
4. 准备贴标签......
5. 标签以贴完......
6. 是否输出特征图与特征值？y/n:
输入y时，程序将输出80张样本的特征值与特征图，分别存储于”./fandimg/{0-9}”，以及”./fandimg/featureArray/{0-9}”中。如下图：
程序继续运行，输出框输出：
1. 3-9.bmp 这张图判断错误了，系统判断为：1 最接近的三个结果为：[[3. 7. 1.]]但是正确结果为：3
2. 4-9.bmp 这张图判断错误了，系统判断为：1 最接近的三个结果为：[[1. 1. 1.]]但是正确结果为：4
3. 5-10.bmp 这张图判断错误了，系统判断为：1 最接近的三个结果为：[[5. 1. 1.]]但是正确结果为：5
4. 6-10.bmp 这张图判断错误了，系统判断为：1 最接近的三个结果为：[[1. 1. 1.]]但是正确结果为：6
5. 7-9.bmp 这张图判断错误了，系统判断为：1 最接近的三个结果为：[[1. 1. 1.]]但是正确结果为：7
6. 8-9.bmp 这张图判断错误了，系统判断为：3 最接近的三个结果为：[[8. 9. 3.]]但是正确结果为：8
7. 8-10.bmp 这张图判断错误了，系统判断为：9 最接近的三个结果为：[[8. 9. 9.]]但是正确结果为：8
8. 9-9.bmp 这张图判断错误了，系统判断为：1 最接近的三个结果为：[[9. 7. 1.]]但是正确结果为：9
f