跳至主要內容

Weka 入门学习-03-weka java 识别手写数字和字母

老马啸西风2023年4月14日大约 21 分钟AIaiwekash

weka 手写数字和字母的数据集文件

Weka自带了一些常用的数据集，包括手写数字和字母的数据集。这些数据集通常以ARFF格式存储，可以直接在Weka中加载和使用。

以下是手写数字和字母数据集的文件路径和简介：

  1. 手写数字数据集

文件路径：Weka安装目录下的data文件夹下的digits.arff文件。

简介：该数据集包含3823个手写数字图像的特征向量，每个特征向量包含64个像素的灰度值。目标变量为0-9十个数字。

  1. 手写字母数据集

文件路径：Weka安装目录下的data文件夹下的letter.arff文件。

简介：该数据集包含20000个手写字母图像的特征向量，每个特征向量包含16个像素的灰度值。目标变量为A-Z二十六个字母。

如果你需要更多的手写数字和字母数据集，可以在网上搜索，或者自己收集和制作。在制作数据集时，需要注意特征的选择和标注的准确性，以确保数据集的质量和可用性。

我们可以直接在安装目录下面找到，我的在：

D:\Program Files\Weka-3-8-6\data

实现思路

要实现一个能够识别手写数字和字母的Java程序，可以借助Weka提供的机器学习算法和图像处理库。以下是一个简单的实现过程：

  1. 图像预处理

首先需要将输入的图像进行预处理，将其转换为特征向量。可以使用常见的图像处理算法，如二值化、降噪、边缘检测等，将图像转换为特征向量，以便于机器学习算法进行分类和预测。

  1. 特征提取

对于手写数字和字母的识别，可以选择一些常用的特征提取算法，如Hu矩、Zernike矩、Gabor滤波器等，将图像转换为一组数值特征向量，用于机器学习算法进行分类和预测。

  1. 数据集准备

在进行机器学习前，需要准备好用于训练和测试的数据集。可以使用Weka自带的手写数字和字母数据集，或者自己收集和制作数据集。数据集需要标注好每个样本的目标变量，即数字或字母。

  1. 机器学习模型选择和训练

选择一个适合的机器学习模型，如决策树、神经网络、支持向量机等，利用训练集对模型进行训练，以得到一个能够对手写数字和字母进行分类的模型。

  1. 模型评估和优化

使用测试集对训练好的模型进行评估，计算模型的准确率、召回率、精确率等性能指标。如果模型性能不理想，可以尝试调整模型参数、使用更多的特征和数据等方法进行优化。

  1. 预测和输出

将预处理好的图像转换为特征向量，输入到训练好的模型中进行预测，得到数字或字母的分类结果，并输出到屏幕或文件中。

以上是一个简单的手写数字和字母识别程序的实现过程，具体实现中还需要注意一些细节和技巧，如数据集的划分、特征的选择和提取、模型的优化等。

weka+opencv 的例子

以下是一个基于Weka和OpenCV的手写数字和字母识别程序的实现示例：

  1. 图像预处理

使用OpenCV的Canny算法进行边缘检测，将图像转换为二值化图像，然后对图像进行形态学操作，去除噪点和孤立的像素，最后将图像转换为特征向量。

// 读取输入图像
Mat image = Imgcodecs.imread(inputImagePath);

// 图像处理，将图像转换为特征向量
Mat grayImage = new Mat();
Imgproc.cvtColor(image, grayImage, Imgproc.COLOR_BGR2GRAY); // 转换为灰度图像
Imgproc.GaussianBlur(grayImage, grayImage, new Size(3, 3), 0); // 高斯滤波
Imgproc.Canny(grayImage, grayImage, 50, 150); // 边缘检测
Mat kernel = Imgproc.getStructuringElement(Imgproc.MORPH_RECT, new Size(3, 3)); // 形态学操作
Imgproc.morphologyEx(grayImage, grayImage, Imgproc.MORPH_CLOSE, kernel); // 闭运算
MatOfByte byteMat = new MatOfByte();
Imgcodecs.imencode(".jpg", grayImage, byteMat); // 转换为字节数组
byte[] bytes = byteMat.toArray();
  1. 特征提取

使用OpenCV的Hu矩算法和Zernike矩算法，提取图像的数值特征向量。

// 提取图像的数值特征向量
MatOfDouble huMoments = new MatOfDouble();
Moments moments = Imgproc.moments(grayImage, true);
Imgproc.HuMoments(moments, huMoments);
double[] hu = huMoments.toArray();
double[] zernike = ZernikeMoments.calculate(grayImage);
double[] feature = new double[hu.length + zernike.length];
System.arraycopy(hu, 0, feature, 0, hu.length);
System.arraycopy(zernike, 0, feature, hu.length, zernike.length);
  1. 数据集准备

使用Weka自带的digits.arff和letter.arff数据集，可以直接加载和使用。

// 加载数据集
DataSource source = new DataSource("weka/data/digits.arff");
Instances data = source.getDataSet();
if (data.classIndex() == -1) {
    data.setClassIndex(data.numAttributes() - 1);
}
  1. 机器学习模型选择和训练

选择一个适合的机器学习模型，如朴素贝叶斯分类器，利用训练集对模型进行训练。

// 选择朴素贝叶斯分类器
NaiveBayes nb = new NaiveBayes();
// 训练模型
nb.buildClassifier(data);
  1. 模型评估和优化

使用测试集对训练好的模型进行评估，计算模型的准确率、召回率、精确率等性能指标。如果模型性能不理想，可以尝试调整模型参数、使用更多的特征和数据等方法进行优化。

  1. 预测和输出

将预处理好的图像转换为特征向量，输入到训练好的模型中进行预测，得到数字或字母的分类结果，并输出到屏幕或文件中。

以上是一个简单的手写数字和字母识别程序的实现过程，具体实现中还需要注意一些细节和技巧，如数据集的划分、特征的选择和提取、模型的优化等。

实际例子

以下是一个基于Weka和OpenCV的手写数字和字母识别程序的实现示例：

图像预处理

使用OpenCV的Canny算法进行边缘检测，将图像转换为二值化图像，然后对图像进行形态学操作，去除噪点和孤立的像素，最后将图像转换为特征向量。

// 读取输入图像
Mat image = Imgcodecs.imread(inputImagePath);

// 图像处理，将图像转换为特征向量
Mat grayImage = new Mat();
Imgproc.cvtColor(image, grayImage, Imgproc.COLOR_BGR2GRAY); // 转换为灰度图像
Imgproc.GaussianBlur(grayImage, grayImage, new Size(3, 3), 0); // 高斯滤波
Imgproc.Canny(grayImage, grayImage, 50, 150); // 边缘检测
Mat kernel = Imgproc.getStructuringElement(Imgproc.MORPH_RECT, new Size(3, 3)); // 形态学操作
Imgproc.morphologyEx(grayImage, grayImage, Imgproc.MORPH_CLOSE, kernel); // 闭运算
MatOfByte byteMat = new MatOfByte();
Imgcodecs.imencode(".jpg", grayImage, byteMat); // 转换为字节数组
byte[] bytes = byteMat.toArray();
  1. 特征提取

使用OpenCV的Hu矩算法和Zernike矩算法，提取图像的数值特征向量。

// 提取图像的数值特征向量
MatOfDouble huMoments = new MatOfDouble();
Moments moments = Imgproc.moments(grayImage, true);
Imgproc.HuMoments(moments, huMoments);
double[] hu = huMoments.toArray();
double[] zernike = ZernikeMoments.calculate(grayImage);
double[] feature = new double[hu.length + zernike.length];
System.arraycopy(hu, 0, feature, 0, hu.length);
System.arraycopy(zernike, 0, feature, hu.length, zernike.length);
  1. 数据集准备

使用Weka自带的digits.arff和letter.arff数据集，可以直接加载和使用。

// 加载数据集
DataSource source = new DataSource("weka/data/digits.arff");
Instances data = source.getDataSet();
if (data.classIndex() == -1) {
    data.setClassIndex(data.numAttributes() - 1);
}
  1. 机器学习模型选择和训练

选择一个适合的机器学习模型，如朴素贝叶斯分类器，利用训练集对模型进行训练。

// 选择朴素贝叶斯分类器
NaiveBayes nb = new NaiveBayes();
// 训练模型
nb.buildClassifier(data);
  1. 模型评估和优化

使用交叉验证方法对模型进行评估，计算模型的准确率和召回率等性能指标。可以尝试调整模型参数、使用更多的特征、增加样本数据等方式来优化模型。

// 使用交叉验证方法进行模型评估
Evaluation eval = new Evaluation(data);
eval.crossValidateModel(nb, data, 10, new Random(1));
// 输出模型性能指标
System.out.println("Accuracy: " + eval.pctCorrect() + "%");
System.out.println("Precision: " + eval.weightedPrecision());
System.out.println("Recall: " + eval.weightedRecall());
System.out.println("F-Measure: " + eval.weightedFMeasure());
  1. 预测输出

使用训练好的模型对输入图像的特征向量进行预测，输出对应的数字和字母。

// 使用模型对输入图像进行预测
Instance inst = new DenseInstance(feature.length + 1);
inst.setDataset(data);
for (int i = 0; i 
    nz.ac.waikato.cms.weka
    weka-stable
    3.8.5


    org.openpnp
    opencv
    4.5.1-2

例子

以下是使用 Java、OpenCV 和 Weka 进行手写字符识别的示例代码：

import org.opencv.core.*;
import org.opencv.imgcodecs.Imgcodecs;
import org.opencv.imgproc.Imgproc;
import weka.classifiers.Classifier;
import weka.core.Attribute;
import weka.core.DenseInstance;
import weka.core.Instances;

import java.io.BufferedReader;
import java.io.FileReader;
import java.util.ArrayList;
import java.util.List;

public class HandwrittenCharacterRecognizer {
    private static final int IMG_WIDTH = 28;
    private static final int IMG_HEIGHT = 28;
    private static final String MODEL_PATH = "path/to/model.model";
    private static final String ATTRIBUTE_PATH = "path/to/attribute.arff";

    public static void main(String[] args) throws Exception {
        // 加载 OpenCV 库
        System.loadLibrary(Core.NATIVE_LIBRARY_NAME);

        // 加载分类器和属性
        Classifier classifier = (Classifier) weka.core.SerializationHelper.read(MODEL_PATH);
        Instances attribute = new Instances(new BufferedReader(new FileReader(ATTRIBUTE_PATH)));

        // 加载要识别的图片
        Mat image = Imgcodecs.imread("path/to/image.jpg", Imgcodecs.IMREAD_GRAYSCALE);

        // 图像预处理
        Mat preprocessedImage = preprocessImage(image);

        // 提取特征
        double[] features = extractFeatures(preprocessedImage);

        // 创建一个实例
        DenseInstance instance = new DenseInstance(features.length);
        for (int i = 0; i  featuresList = new ArrayList<>();

        // 提取图像的像素值作为特征
        for (int y = 0; y < image.rows(); y++) {
            for (int x = 0; x < image.cols(); x++) {
                double[] pixel = image.get(y, x);
                featuresList.add(pixel[0]);
            }
        }

        // 转换成 double[] 数组
        double[] features = new double[featuresList.size()];
        for (int i = 0; i < features.length; i++) {
            features[i] = featuresList.get(i);
        }

        return features;
    }
}

这个程序使用了 OpenCV 库对图像进行预处理，然后使用 Weka 库进行分类。

预处理包括二值化和归一化，特征提取是将图像的像素值作为特征。

在分类之前，我们需要加载先前训练好的模型和属性，然后将特征转换为 Weka 的实例，并使用分类器进行分类。最后，输出预测结果，即识别出的字符。

请注意，这个示例仅仅是一个简单的演示，实际的手写字符识别应该涉及更复杂的图像预处理和特征提取技术，以及更复杂的分类器模型。此外，训练模型所需的大量数据也是一个挑战。

其中的 MODEL_PATH 和 ATTRIBUTE_PATH 对应的文件也提供下

由于没有提供数据集和模型，我们不能提供完整的模型和属性文件。但是，我们可以提供用于训练和测试手写数字识别模型的开源数据集，即 MNIST 数据集。

MNIST 数据集是一个广泛使用的手写数字识别数据集，包含 60,000 张训练图像和 10,000 张测试图像。你可以使用 MNIST 数据集来训练和测试你的手写数字识别模型。

你可以在以下链接中找到 MNIST 数据集和使用 OpenCV 和 Weka 训练手写数字识别模型的示例代码：

如何根据 MINIT 数据集合，训练获取到对应的 model.model 和 attribute.arff 文件呢？

要根据 MNIST 数据集训练并获取对应的 model.model 和 attribute.arff 文件，你需要执行以下步骤：

下载和解压缩 MNIST 数据集：

你可以从 http://yann.lecun.com/exdb/mnist/ 下载 MNIST 数据集。解压缩后，你会得到四个文件：

train-images-idx3-ubyte: 包含 60,000 张训练图像的像素值；
train-labels-idx1-ubyte: 包含 60,000 张训练图像的标签（即数字的真实值）；
t10k-images-idx3-ubyte: 包含 10,000 张测试图像的像素值；
t10k-labels-idx1-ubyte: 包含 10,000 张测试图像的标签。

你需要使用 Java 程序读取这些文件并将它们转换为 Weka 支持的 ARFF 文件格式。

具体来说，你需要将每个图像的像素值转换为 Weka 的特征向量，并将其与对应的标签一起写入 ARFF 文件。

使用 OpenCV 进行图像处理：

在将像素值转换为特征向量之前，你可能需要使用 OpenCV 对图像进行处理。例如，你可以使用 OpenCV 的 Canny 边缘检测算法来检测图像中的边缘，并将其转换为特征向量的一部分。

使用 Weka 进行特征提取和分类器训练：
使用 Weka 进行特征提取和分类器训练。你需要指定要使用的分类器类型和训练集的 ARFF 文件路径。在训练分类器之前，你可以使用 Weka Explorer 界面查看训练集的属性和统计信息，以了解数据集的性质。

保存模型和属性：
训练完成后，你可以将训练得到的分类器保存为一个 .model 文件，并将属性保存为一个 .arff 文件。你可以使用 Weka 的 Java API 来完成这些操作。

总之，要从 MNIST 数据集训练并获取对应的模型和属性文件，你需要使用 Java 和 Weka 进行图像处理、特征提取和分类器训练。具体实现步骤较为复杂，需要进行详细的代码编写和调试。

TODO...

小结

总体感受 V3.5 版本的错误比较多，基本不可用。

估计 4.0 会好很多。

参考资料

贡献者

binbin.hou
我是老马，期待与你的下次重逢
Copyright © 2025 老马啸西风