[Python] 실제 숫자 이미지 처리하기

📌

# 이미지 파일을 읽어서 학습하기
import numpy as np, cv2
import matplotlib.pyplot as plt

size = (40, 40) # 튜플. 이미지 한개의 크기
nclass, nsample = 10, 20
train_image = cv2.imread('images/train_numbers.png', cv2.IMREAD_GRAYSCALE)
train_image.shape
train_image = train_image[5:405, 6:806] # 이미지의 여백들을 제거.
train_image.shape

# threshold : 이미지의 값을 명확한 값으로 정리.(이미지 전처리)
# cv2.threshold(train_image, 32, 255, cv2.THRESH_BINARY)
#   : train_image : 10행 20열. 400,800 원본 이미지
#     32 : 임계값. 임계값 이상인 경우 설정값으로 변경
#     255 : 설정값. 
cv2.threshold(train_image, 32, 255, cv2.THRESH_BINARY)
# np.hsplit : 수평으로 분리. 열로 분리. 20개로 분리
# np.vsplit : 수직으로 분리. 행으로 분리. 10개로 분리
cells = [np.hsplit(row, nsample) for row in np.vsplit(train_image, nclass)] # 4차원 배열
print('cell 형태: ', np.array(cells).shape) # (10, 20, 40, 40)

def find_value_position(img, direct) : 
    # cv2.reduce : 행을 축소. 
    # direct : 0 : 열방향으로 연산하여 1행을 축소
    #          1 : 행방향으로 1열 축소
    # ravel() : 1차원 배열 변경
    project = cv2.reduce(img, direct, cv2.REDUCE_AVG).ravel()
    p0, p1 = -1, -1
    len = project.shape[0]
    for i in range(len): 
        if p0 < 0 and project[i] < 250 : p0 = i # 숫자 시작좌표
        if p1 < 0 and project[len - i -1] < 250 : p1 = len-i-1 # 종료좌표
    return p0, p1

# 숫자의 좌표값 리턴
def find_number(part) : # part : 숫자 한개 이미지 
    x0, x1 = find_value_position(part, 0)
    y0, y1 = find_value_position(part, 1)
    return part[y0:y1, x0:x1] # 숫자 이미지. 

def place_middle(number, new_size) : 
    h, w = number.shape[:2]
    big = max(h, w) 
    # np.full(size값, 자료형) : 
    #      size의 배열에 값으로 채움. 값의 자료형은 np.float32
    square = np.full((big, big), 255, np.float32)
    # 중간좌표.
    dx, dy = np.subtract(big, (w, h)) // 2
    square[dy:dy + h, dx:dx + w] = number # square 가운데 숫자를 저장
    # 숫자 정보의 데이터를 배열의 가운데에 저장
    # cv2.resize(square, new_size).flatten()
    # square 배열을 new_size 크기로 다시 지정.
    # flatten() : 1차원 배열로 변경
    return cv2.resize(square, new_size).flatten()

# np.reshape(cells, (-1, 40, 40)) : 배열을 재배치. 늘리거나 줄이거나
# cells 배열 : (10, 20, 40, 40) 형태
#   => 변경 (-1, 40, 40) => (200, 40, 40)
nums = [find_number(c) for c in np.reshape(cells, (-1, 40, 40))]
len(nums) # 200
# n : 숫자 이미지 한개
trainData = np.array([place_middle(n, size) for n in nums]) 
labels = np.array([i for i in range(nclass) for j in range(nsample)], np.float32)
print('nums 형태: ', np.array(nums).shape)
print('trainData 형태: ', trainData.shape) # 200 * 1600 (40행*40열)
print('labels 형태: ', labels.shape)
labels[:10]

# 알고리즘
knn = cv2.ml.KNearest_create()

# 학습하기
knn.train(trainData, cv2.ml.ROW_SAMPLE, labels)

plt.figure(figsize=(10, 10))
for i in range(50) : 
    # 00~99 : 숫자당 5개씩 데이터를 예측하기 
   test_img = cv2.imread\\
       ('images/num/%d%d.png' % (i / 5, i % 5), cv2.IMREAD_GRAYSCALE) 
   cv2.threshold(test_img, 128, 255, cv2.THRESH_BINARY)
   num = find_number(test_img) # 순수한 숫자 형태의 이미지      
   data = place_middle(num, size) # 숫자 이미지 (40행, 40열) 크기에 가운데
   data = data.reshape(1, -1) # 1행 1600개의 데이터. 테스트 이미지(테스트 데이터)
   _, resp, _, _ = knn.findNearest(data, 5) # 예측하기
   plt.subplot(10, 5, i+1)
   plt.axis('off')
   plt.imshow(num, cmap='gray')
   plt.title('resp' + str(int(resp[0][0])))
plt.tight_layout()
plt.show()

---

• 결과