Proyecto 2 Intro CS Reconocimiento de Numeros

EL siguiente informe explicara el codigo creado para resolver la problematica planteada para este proyecto. El proposito de este proyecto es predecir un numero dentro de una imagen, para este fin se solicito emplear la distancia euclidiana y metodos adicionales brindados por el alumno.

Clases y Metodos

Clase Digits

__init__(self, digits)

Constructor de la clase que inicializa las propiedades:

self.digits: almacena los datos del conjunto de dígitos. self.__mean_num_matrix: diccionario para almacenar la matriz promedio de cada dígito. self.indexes: listas de índices para cada dígito. self.mean_matrixes: lista de matrices promedio (no utilizada). self.sz_digits: tamaño del conjunto de dígitos.

build_number(self, number)

Construye la matriz promedio para un dígito específico:

Filtra los índices correspondientes al dígito number. Calcula la matriz promedio utilizando __build_meaned_mtrx. Imprime la matriz promedio del dígito utilizando print_mean_number_matrix.

__mean2_matrix(self, matrix1, matrix2)

Calcula el promedio de dos matrices de 8x8:

Suma las matrices y divide cada elemento por 2.

__build_meaned_mtrx(self, index_list)

Construye la matriz promedio para una lista de índices:

Inicializa matriz_final con la primera imagen de la lista de índices. Calcula el promedio acumulado con las demás imágenes.

__print_matrix(self, matrix, type, sz=8)

Imprime la matriz en la terminal:

type puede ser "RGB" para imprimir en colores o "default" para imprimir en modo monocromático.

print_mean_number_matrix(self, number)

Imprime la matriz promedio de un dígito específico utilizando __print_matrix.

__distancia_euclidiana(self, matrix1, matrix2)

Calcula la distancia euclidiana entre dos matrices:

Calcula la diferencia, eleva al cuadrado, suma los valores y toma la raíz cuadrada.

__similar_targets(self, imagen)

Calcula las distancias euclidianas entre una imagen y todas las imágenes del conjunto:

Devuelve una lista de tuplas (target, distance) ordenadas por distancia.

__similar_targets_sel_indexs(self, imagen, posible_numbers)

Similar a __similar_targets, pero filtra por números posibles:

Devuelve una lista de tuplas (target, distance) ordenadas por distancia.

__similar_targets_mean(self, imagen)

Calcula las distancias euclidianas entre una imagen y las matrices promedio de cada dígito:

Devuelve una lista de tuplas (target, distance) ordenadas por distancia.

procesar_imagen_metodo1(self, imagen, k=3)

Procesa una imagen para determinar el dígito utilizando distancias euclidianas:

Carga y procesa la imagen. Calcula las distancias euclidianas y determina los k dígitos más similares. Si los resultados son ambiguos, utiliza detección de círculos con cv2.HoughCircles como método alternativo. Imprime la imagen procesada y el resultado.

procesar_imagen_metodo1(self, imagen, k=3)

Similar a procesar_imagen_metodo1, pero utiliza las matrices promedio de los dígitos:

Carga y procesa la imagen. Calcula las distancias euclidianas con las matrices promedio. Si los resultados son ambiguos, utiliza detección de círculos con cv2.HoughCircles como método alternativo. Imprime la imagen procesada y el resultado.

Codigo

Imports

!pip install --upgrade pip !pip install opencv-python-headless

Run to view results

from sklearn import datasets from PIL import Image import math import numpy as np import json import cv2 import matplotlib.pyplot as plt datos = datasets.load_digits()

Run to view results

Material de apoyo

COLORES_RGB_BLUE = { "ALICEBLUE": "\033[38;2;240;248;255m", "LAVENDER": "\033[38;2;230;230;250m", "POWDERBLUE": "\033[38;2;176;224;230m", "LIGHTBLUE": "\033[38;2;173;216;230m", "LIGHTSKYBLUE": "\033[38;2;135;206;250m", "SKYBLUE": "\033[38;2;135;206;235m", "DEEPSKYBLUE": "\033[38;2;0;191;255m", "LIGHTSTEELBLUE": "\033[38;2;176;196;222m", "DODGERBLUE": "\033[38;2;30;144;255m", "CORNFLOWERBLUE": "\033[38;2;100;149;237m", "STEELBLUE": "\033[38;2;70;130;180m", "CADETBLUE": "\033[38;2;95;158;160m", "MEDIUMSLATEBLUE": "\033[38;2;123;104;238m", "SLATEBLUE": "\033[38;2;106;90;205m", "DARKSLATEBLUE": "\033[38;2;72;61;139m", "ROYALBLUE": "\033[38;2;65;105;225m", "BLUE": "\033[38;2;0;0;255m", "RESET": "\033[0m", "BLANCO" : "\033[38;2;255;255;255m" } COLORES_RGB = { "NEGRO" : "\033[38;2;0;0;0m", "GRIS_OSCURO" : "\033[38;2;64;64;64m", "GRIS" : "\033[38;2;128;128;128m", "GRIS_CLARO" : "\033[38;2;192;192;192m", "ROJO" : "\033[38;2;255;0;0m", "ROJO_CLARO" : "\033[38;2;255;64;64m", "ROJO_mas_CLARO" : "\033[38;2;255;128;128m", "ROJO_PALIDO" : "\033[38;2;255;192;192m", "VERDE" : "\033[38;2;0;255;0m", "VERDE_CLARO" : "\033[38;2;64;255;64m", "VERDE_mas_CLARO" : "\033[38;2;128;255;128m", "VERDE_PALIDO" : "\033[38;2;192;255;192m", "AZUL" : "\033[38;2;0;0;255m", "AZUL_CLARO" : "\033[38;2;64;64;255m", "AZUL_mas_CLARO" : "\033[38;2;128;128;255m", "AZUL_PALIDO" : "\033[38;2;192;192;255m", "AMARILLO" : "\033[38;2;255;255;0m", "BLANCO" : "\033[38;2;255;255;255m", "RESET" : "\033[0m" }

Run to view results

Clase Digits

class Digits: def __init__(self,digits): self.digits = digits self.__mean_num_matrix = {} self.indexes = [[],[],[],[],[],[],[],[],[],[]] self.mean_matrixes = [] self.sz_digits = len(digits['target']) def build_number(self,number): for i in range(len(self.digits['target'])): if self.digits['target'][i] == number: self.indexes[number].append(i) self.__mean_num_matrix[number] = self.__build_meaned_mtrx(self.indexes[number]) self.print_mean_number_matrix(number) def __mean2_matrix(self,matrix1,matrix2): for i in range(8): for j in range(8): matrix1[i][j] += matrix2[i][j] matrix1[i][j] = math.floor(matrix1[i][j]/2) return matrix1 def __build_meaned_mtrx(self,index_list): matriz_final = self.digits['images'][index_list[0]] for i in index_list: self.__mean2_matrix(matriz_final,self.digits['images'][i]) return matriz_final def __print_matrix(self,matrix,type,sz=8): for i in range(sz): for j in range(sz): if type == "RGB": if(matrix[i][j]==0): print(f'{COLORES_RGB_BLUE["BLUE"]}■{COLORES_RGB_BLUE["RESET"]}',end="") elif(matrix[i][j]==1): print(f'{COLORES_RGB_BLUE["ROYALBLUE"]}■{COLORES_RGB_BLUE["RESET"]}',end="") elif(matrix[i][j]==2): print(f'{COLORES_RGB_BLUE["DARKSLATEBLUE"]}■{COLORES_RGB_BLUE["RESET"]}',end="") elif(matrix[i][j]==3): print(f'{COLORES_RGB_BLUE["SLATEBLUE"]}■{COLORES_RGB_BLUE["RESET"]}',end="") elif(matrix[i][j]==4): print(f'{COLORES_RGB_BLUE["MEDIUMSLATEBLUE"]}■{COLORES_RGB_BLUE["RESET"]}',end="") elif(matrix[i][j]==5): print(f'{COLORES_RGB_BLUE["CADETBLUE"]}■{COLORES_RGB_BLUE["RESET"]}',end="") elif(matrix[i][j]==6): print(f'{COLORES_RGB_BLUE["STEELBLUE"]}■{COLORES_RGB_BLUE["RESET"]}',end="") elif(matrix[i][j]==7): print(f'{COLORES_RGB_BLUE["CORNFLOWERBLUE"]}■{COLORES_RGB_BLUE["RESET"]}',end="") elif(matrix[i][j]==8): print(f'{COLORES_RGB_BLUE["DODGERBLUE"]}■{COLORES_RGB_BLUE["RESET"]}',end="") elif(matrix[i][j]==9): print(f'{COLORES_RGB_BLUE["LIGHTSTEELBLUE"]}■{COLORES_RGB_BLUE["RESET"]}',end="") elif(matrix[i][j]==10): print(f'{COLORES_RGB_BLUE["DEEPSKYBLUE"]}■{COLORES_RGB_BLUE["RESET"]}',end="") elif(matrix[i][j]==11): print(f'{COLORES_RGB_BLUE["SKYBLUE"]}■{COLORES_RGB_BLUE["RESET"]}',end="") elif(matrix[i][j]==12): print(f'{COLORES_RGB_BLUE["LIGHTSKYBLUE"]}■{COLORES_RGB_BLUE["RESET"]}',end="") elif(matrix[i][j]==13): print(f'{COLORES_RGB_BLUE["LIGHTBLUE"]}■{COLORES_RGB_BLUE["RESET"]}',end="") elif(matrix[i][j]==14): print(f'{COLORES_RGB_BLUE["POWDERBLUE"]}■{COLORES_RGB_BLUE["RESET"]}',end="") elif(matrix[i][j]==15): print(f'{COLORES_RGB_BLUE["LAVENDER"]}■{COLORES_RGB_BLUE["RESET"]}',end="") elif(matrix[i][j]==16): print(f'{COLORES_RGB_BLUE["ALICEBLUE"]}■{COLORES_RGB_BLUE["RESET"]}',end="") elif type == "MONO" or type == "default": if(matrix[i][j]==0): print(f'{COLORES_RGB["NEGRO"]}■{COLORES_RGB["RESET"]}',end="") else: print(f'{COLORES_RGB["ROJO"]}■{COLORES_RGB["RESET"]}',end="") print("") def print_mean_number_matrix(self,number): matrix = self.__mean_num_matrix[number] self.__print_matrix(matrix,"default") def __distancia_euclidiana(self,matrix1,matrix2): diferencia = matrix1 - matrix2 diferencia_euclidiana = diferencia ** 2 suma_diferencia_cuadrada = np.sum(diferencia_euclidiana) distancia_euclidiana = np.sqrt(suma_diferencia_cuadrada) return distancia_euclidiana def __similar_targets(self,imagen): distances = [] for i in range(len(self.digits['images'])): distance = self.__distancia_euclidiana(imagen,self.digits['images'][i]) target = self.digits['target'][i] tmp = (target.item(),distance.item()) distances.append(tmp) distances.sort(key=lambda x: x[1]) return distances def __similar_targets_sel_indexs(self,imagen,posible_numbers): distances = [] for i in range(len(self.digits['images'])): if self.digits['target'][i] in posible_numbers: distance = self.__distancia_euclidiana(imagen,self.digits['images'][i]) target = self.digits['target'][i] tmp = (target.item(),distance.item()) distances.append(tmp) distances.sort(key=lambda x: x[1]) return distances def __similar_targets_mean(self,imagen): distances = [] for i in range(10): tmp_mtrx = self.__mean_num_matrix[i] distance = self.__distancia_euclidiana(imagen,self.digits['images'][i]) target = i tmp = (target,distance.item()) distances.append(tmp) distances.sort(key=lambda x: x[1]) return distances def procesar_imagen_metodo1(self,imagen,k=3): ima = imagen imagen = Image.open(imagen).convert("L").resize((8,8)) imagen = np.array(imagen) imagen[imagen == 255] = 0 imagen = imagen % 17 distances = self.__similar_targets(imagen) targets = [] for i in distances[:k]: targets.append(i[0]) message = "" numero = "" alternativo = "" if(targets[0] == targets[1] and targets[1] == targets[2]): message = "3 iguales, numero " + str(targets[0]) numero = targets[0] elif(targets[0] == targets[1] or targets[0] == targets[2]): message = "2 iguales, numero " + str(targets[0]) numero = targets[0] elif(targets[1] == targets[2]): message = "2 iguales, numero " + str(targets[1]) numero = targets[0] else: message = "todos diferentes" if message == "todos diferentes": imagen_cv2 = cv2.imread(ima, cv2.IMREAD_GRAYSCALE) imagen_cv2 = cv2.resize(imagen_cv2, (128,128), interpolation=cv2.INTER_AREA) imagen_suavizada = cv2.GaussianBlur(imagen_cv2, (5, 5), 0) bordes = cv2.Canny(imagen_suavizada, 50, 150) circulos = cv2.HoughCircles(bordes, cv2.HOUGH_GRADIENT, dp=1, minDist=20, param1=50, param2=30, minRadius=5, maxRadius=50) if circulos is not None: circulos = np.round(circulos[0, :]).astype("int") if len(circulos) == 1: #numero entre 6,9 if circulos[0][1] > 64: alternativo = 9 numero = 9 elif circulo[0][1] > 40 and circulo[0][1] < 60 and circulo[0][0] > 40 and circulo[0][0]: alternativo = 0 numero = 0 else: alternativo = 6 numero = 0 else: alternativo = 8 numero = 0 message = "uso de metodo alternativo de deteccion de circulos, el numero es " else: self.__similar_targets_sel_indexs(imagen,[1,2,3,4,5,7]) targets = [] for i in distances[:k]: targets.append(i[0]) if(targets[0] == targets[1] and targets[1] == targets[2]): message = "3 iguales, numero " + str(targets[0]) numero = targets[0] elif(targets[0] == targets[1] or targets[0] == targets[2]): message = "2 iguales, numero " + str(targets[0]) numero = targets[0] elif(targets[1] == targets[2]): message = "2 iguales, numero " + str(targets[1]) numero = targets[0] else: message = "todos diferentes" print(imagen) print("\n") self.__print_matrix(imagen,"default",8) print("\n") self.__print_matrix(imagen,"RGB",8) print("\n") print(ima,targets,message,alternativo) print("Soy la inteligencia artificial, y he detectado que el dígito ingresado corresponde al número ",numero) def procesar_imagen_metodo2(self,imagen,k=3): ima = imagen imagen = Image.open(imagen).convert("L").resize((8,8)) imagen = np.array(imagen) imagen[imagen == 255] = 0 imagen = imagen % 17 distances = self.__similar_targets_mean(imagen) targets = [] for i in distances[:k]: targets.append(i[0]) message = "" numero = "" alternativo = "" if(targets[0] == targets[1] and targets[1] == targets[2]): message = "3 iguales, numero " + str(targets[0]) numero = targets[0] elif(targets[0] == targets[1] or targets[0] == targets[2]): message = "2 iguales, numero " + str(targets[0]) numero = targets[0] elif(targets[1] == targets[2]): message = "2 iguales, numero " + str(targets[1]) numero = targets[0] else: message = "todos diferentes" if message == "todos diferentes": imagen_cv2 = cv2.imread(ima, cv2.IMREAD_GRAYSCALE) imagen_cv2 = cv2.resize(imagen_cv2, (128,128), interpolation=cv2.INTER_AREA) imagen_suavizada = cv2.GaussianBlur(imagen_cv2, (5, 5), 0) bordes = cv2.Canny(imagen_suavizada, 50, 150) circulos = cv2.HoughCircles(bordes, cv2.HOUGH_GRADIENT, dp=1, minDist=20, param1=50, param2=30, minRadius=5, maxRadius=50) if circulos is not None: circulos = np.round(circulos[0, :]).astype("int") if len(circulos) == 1: #numero entre 6,9 if circulos[0][1] > 64: alternativo = 9 numero = 9 elif circulos[0][1] > 40 and circulos[0][1] < 60 and circulos[0][0] > 40 and circulos[0][0]: alternativo = 0 numero = 0 else: alternativo = 6 numero = 0 else: alternativo = 8 numero = 0 message = "uso de metodo alternativo de deteccion de circulos, el numero es " else: self.__similar_targets_sel_indexs(imagen,[1,2,3,4,5,7]) targets = [] for i in distances[:k]: targets.append(i[0]) if(targets[0] == targets[1] and targets[1] == targets[2]): message = "3 iguales, numero " + str(targets[0]) numero = targets[0] elif(targets[0] == targets[1] or targets[0] == targets[2]): message = "2 iguales, numero " + str(targets[0]) numero = targets[0] elif(targets[1] == targets[2]): message = "2 iguales, numero " + str(targets[1]) numero = targets[0] else: message = "todos diferentes" numero = targets[0] print(imagen) print("\n") self.__print_matrix(imagen,"default",8) print("\n") self.__print_matrix(imagen,"RGB",8) print("\n") print(ima,targets,message,alternativo) print("Soy la inteligencia artificial 2, y he detectado que el dígito ingresado corresponde al número ",numero)

Run to view results

Clase Menu

class Menu: def __init__(self,datos): self.digits = Digits(datos) def menu(self): page1 = """ Reconocimiento de Numeros 1.Generar Imagen Promedio (numero) 2.Generar Imagenes Promedio () 3.Procesar digito Distancia Euclidiana (dir imagen) 4.Procesar digito Distancia Euclidiana Promedio Numeros (dir imagen) 5.Exit """ print(page1) key = input("Ingresar opcion: ") if key == "1": num = int(input("Ingresar numero: ")) self.digits.build_number(num) print("Array promedio de ",num," generado!") self.menu() elif key == "2": for i in range(10): self.digits.build_number(i) print("\n") print("Arrays promedios generados!") self.menu() elif key == "3": dir = input("Direccion de la imagen: ") self.digits.procesar_imagen_metodo1(dir,3) self.menu() elif key == "4": dir = input("Direccion de la imagen: ") self.digits.procesar_imagen_metodo2(dir,3) self.menu() elif key == "5": print("") ################ FUNCIONES DE PRUEBA ################# def test_build_number(self,numero): self.digits.build_number(numero) print("Array promedio de ",numero," generado!") def test_build_all_numbers(self): for i in range(10): self.digits.build_number(i) print("\n") print("Arrays promedios generados!") def test_procesar_imagen_1(self,dir): self.digits.procesar_imagen_metodo1(dir,3) def test_procesar_imagen_2(self,dir): self.digits.procesar_imagen_metodo2(dir,3)

Run to view results

Pruebas

Se adicionara funciones de prueba a la clase Menu con el fin de visualizar los posibles ouputs del app

menu = Menu(datos)

Run to view results

Construccion de matriz promedio en base a numero

menu.test_build_number(0)

Run to view results

Construccion de todas las matrices promedio

menu.test_build_all_numbers()

Run to view results

Metodo 1 Distancia Euclidiana con todos los targets

imagen_path = 'image/cero.png.png' # Ajusta la ruta a tu imagen imagen = cv2.imread(imagen_path, cv2.IMREAD_GRAYSCALE) plt.figure(figsize=(10, 5)) plt.subplot(1, 2, 1) plt.imshow(imagen, cmap='gray')

Run to view results

menu.test_procesar_imagen_1('image/cero.png.png')

Run to view results

imagen_path = 'image/uno.png.png' # Ajusta la ruta a tu imagen imagen = cv2.imread(imagen_path, cv2.IMREAD_GRAYSCALE) plt.figure(figsize=(10, 5)) plt.subplot(1, 2, 1) plt.imshow(imagen, cmap='gray')

Run to view results

menu.test_procesar_imagen_1('image/uno.png.png')

Run to view results

imagen_path = 'image/do.png.png' # Ajusta la ruta a tu imagen imagen = cv2.imread(imagen_path, cv2.IMREAD_GRAYSCALE) plt.figure(figsize=(10, 5)) plt.subplot(1, 2, 1) plt.imshow(imagen, cmap='gray')

Run to view results

menu.test_procesar_imagen_1('image/do.png.png')

Run to view results

imagen_path = 'image/tre.png.png' # Ajusta la ruta a tu imagen imagen = cv2.imread(imagen_path, cv2.IMREAD_GRAYSCALE) plt.figure(figsize=(10, 5)) plt.subplot(1, 2, 1) plt.imshow(imagen, cmap='gray')

Run to view results

menu.test_procesar_imagen_1('./image/tre.png.png')

Run to view results

imagen_path = 'image/cuatro.png.png' # Ajusta la ruta a tu imagen imagen = cv2.imread(imagen_path, cv2.IMREAD_GRAYSCALE) plt.figure(figsize=(10, 5)) plt.subplot(1, 2, 1) plt.imshow(imagen, cmap='gray')

Run to view results

menu.test_procesar_imagen_1('image/cuatro.png.png')

Run to view results

imagen_path = 'image/cinco.png.png' # Ajusta la ruta a tu imagen imagen = cv2.imread(imagen_path, cv2.IMREAD_GRAYSCALE) plt.figure(figsize=(10, 5)) plt.subplot(1, 2, 1) plt.imshow(imagen, cmap='gray')

Run to view results

menu.test_procesar_imagen_1('image/cinco.png.png')

Run to view results

imagen_path = 'image/ceic.png.png' # Ajusta la ruta a tu imagen imagen = cv2.imread(imagen_path, cv2.IMREAD_GRAYSCALE) plt.figure(figsize=(10, 5)) plt.subplot(1, 2, 1) plt.imshow(imagen, cmap='gray')

Run to view results

menu.test_procesar_imagen_1('image/ceic.png.png')

Run to view results

imagen_path = 'image/iete.png.png' # Ajusta la ruta a tu imagen imagen = cv2.imread(imagen_path, cv2.IMREAD_GRAYSCALE) plt.figure(figsize=(10, 5)) plt.subplot(1, 2, 1) plt.imshow(imagen, cmap='gray')

Run to view results

menu.test_procesar_imagen_1('image/iete.png.png')

Run to view results

imagen_path = 'image/ocho.png.png' # Ajusta la ruta a tu imagen imagen = cv2.imread(imagen_path, cv2.IMREAD_GRAYSCALE) plt.figure(figsize=(10, 5)) plt.subplot(1, 2, 1) plt.imshow(imagen, cmap='gray')

Run to view results

menu.test_procesar_imagen_1('image/ocho.png.png')

Run to view results

imagen_path = 'image/nueve.png.png' # Ajusta la ruta a tu imagen imagen = cv2.imread(imagen_path, cv2.IMREAD_GRAYSCALE) plt.figure(figsize=(10, 5)) plt.subplot(1, 2, 1) plt.imshow(imagen, cmap='gray')

Run to view results

menu.test_procesar_imagen_1('image/nueve.png.png')

Run to view results

Metodo 1 Distancia Euclidiana con matrices promedio

menu.test_build_all_numbers()

Run to view results

imagen_path = 'image/cero.png.png' # Ajusta la ruta a tu imagen imagen = cv2.imread(imagen_path, cv2.IMREAD_GRAYSCALE) plt.figure(figsize=(10, 5)) plt.subplot(1, 2, 1) plt.imshow(imagen, cmap='gray')

Run to view results

menu.test_procesar_imagen_2('image/cero.png.png')

Run to view results

import matplotlib.pyplot as plt imagen_path = 'image/uno.png.png' # Ajusta la ruta a tu imagen imagen = cv2.imread(imagen_path, cv2.IMREAD_GRAYSCALE) plt.figure(figsize=(10, 5)) plt.subplot(1, 2, 1) plt.imshow(imagen, cmap='gray')

Run to view results

menu.test_procesar_imagen_2('image/uno.png.png')

Run to view results

imagen_path = 'image/do.png.png' # Ajusta la ruta a tu imagen imagen = cv2.imread(imagen_path, cv2.IMREAD_GRAYSCALE) plt.figure(figsize=(10, 5)) plt.subplot(1, 2, 1) plt.imshow(imagen, cmap='gray')

Run to view results

menu.test_procesar_imagen_2('image/do.png.png')

Run to view results

imagen_path = 'image/tre.png.png' # Ajusta la ruta a tu imagen imagen = cv2.imread(imagen_path, cv2.IMREAD_GRAYSCALE) plt.figure(figsize=(10, 5)) plt.subplot(1, 2, 1) plt.imshow(imagen, cmap='gray')

Run to view results

menu.test_procesar_imagen_2('image/tre.png.png')

Run to view results

imagen_path = 'image/cuatro.png.png' # Ajusta la ruta a tu imagen imagen = cv2.imread(imagen_path, cv2.IMREAD_GRAYSCALE) plt.figure(figsize=(10, 5)) plt.subplot(1, 2, 1) plt.imshow(imagen, cmap='gray')

Run to view results

menu.test_procesar_imagen_2('image/cuatro.png.png')

Run to view results

imagen_path = 'image/cinco.png.png' # Ajusta la ruta a tu imagen imagen = cv2.imread(imagen_path, cv2.IMREAD_GRAYSCALE) plt.figure(figsize=(10, 5)) plt.subplot(1, 2, 1) plt.imshow(imagen, cmap='gray')

Run to view results

menu.test_procesar_imagen_2('image/cinco.png.png')

Run to view results

imagen_path = 'image/ceic.png.png' # Ajusta la ruta a tu imagen imagen = cv2.imread(imagen_path, cv2.IMREAD_GRAYSCALE) plt.figure(figsize=(10, 5)) plt.subplot(1, 2, 1) plt.imshow(imagen, cmap='gray')

Run to view results

menu.test_procesar_imagen_2('image/ceic.png.png')

Run to view results

imagen_path = 'image/iete.png.png' # Ajusta la ruta a tu imagen imagen = cv2.imread(imagen_path, cv2.IMREAD_GRAYSCALE) plt.figure(figsize=(10, 5)) plt.subplot(1, 2, 1) plt.imshow(imagen, cmap='gray')

Run to view results

menu.test_procesar_imagen_2('image/iete.png.png')

Run to view results

imagen_path = 'image/ocho.png.png' # Ajusta la ruta a tu imagen imagen = cv2.imread(imagen_path, cv2.IMREAD_GRAYSCALE) plt.figure(figsize=(10, 5)) plt.subplot(1, 2, 1) plt.imshow(imagen, cmap='gray')

Run to view results

menu.test_procesar_imagen_2('image/ocho.png.png')

Run to view results

imagen_path = 'image/nueve.png.png' # Ajusta la ruta a tu imagen imagen = cv2.imread(imagen_path, cv2.IMREAD_GRAYSCALE) plt.figure(figsize=(10, 5)) plt.subplot(1, 2, 1) plt.imshow(imagen, cmap='gray')

Run to view results

menu.test_procesar_imagen_2('image/nueve.png.png')

Run to view results

Pruebas adicionales

Conclusiones

El primer método posee más coincidencias sin embargo falla en predecir el número, en el caso del segundo método difícilmente acierta a la hora de encontrar coincidencias y predicciones, por lo que podemos decir que el primer método es más efectivo.

En ambos casos se usó algoritmos de apoyo para las situaciones en la que los k vecinos no coincidan, en el cual se analizaba la imagen en busca de círculos, este método resultó más efectivo en los casos donde los números poseen círculos aun así debe pulirse mejor debido a que el algoritmo no es muy efectivo a la hora de predecir la posición exacta del círculo por lo que es difícil diferenciar los números 6,9 y 0, pero efectivo al detectar el número 8 debido a que posee 2 círculos y pertenece a otra categoría, se podría implementar un detector de líneas, este método ayudaría mucho a identificar a los números con o sin círculos. Después de identificar si existen círculos se analiza nuevamente la distancia euclidiana pero con un filtro a las matrices pertenecientes a los números que nos interesan.

Si bien la distancia euclidiana resulta muy útil para estos casos la limitación del tamaño de las matrices es demasiado contraproducente a la hora de encontrar los patrones debido a que la reducción de tamaño de la imagen original eliminan detalles sustanciales que permiten identificar a las matrices, si las matrices del data frame Digits serían de 16x16 y no 8x8 la precisión aumentaría, sin embargo habría que evaluar si la efectividad alcanzada con este nuevo tamaño es mayor a la obtenida con el tamaño original.

.css-15w88e5{color:var(--chakra-colors-fg-neutral-primary);font-weight:inherit;letter-spacing:-0.09px;}Proyecto 2 Intro CS Reconocimiento de Numeros

Clases y Metodos

Clase Digits

Menu

Codigo

Imports

Material de apoyo

Clase Digits

Clase Menu

Pruebas

Construccion de matriz promedio en base a numero

Construccion de todas las matrices promedio

Metodo 1 Distancia Euclidiana con todos los targets

Metodo 1 Distancia Euclidiana con matrices promedio

Pruebas adicionales

Conclusiones

Proyecto 2 Intro CS Reconocimiento de Numeros