开发: C++知识库 Java知识库 JavaScript Python PHP知识库人工智能区块链大数据移动开发嵌入式开发工具数据结构与算法开发测试游戏开发网络协议系统运维
教程: HTML教程 CSS教程 JavaScript教程 Go语言教程 JQuery教程 VUE教程 VUE3教程 Bootstrap教程 SQL数据库教程 C语言教程 C++教程 Java教程 Python教程 Python3教程 C#教程
数码: 电脑笔记本显卡显示器固态硬盘硬盘耳机手机 iphone vivo oppo 小米华为单反装机图拉丁

-> 人工智能 -> opencv项目实战（一）——信用卡数字识别 -> 正文阅读

[人工智能]opencv项目实战（一）——信用卡数字识别

一、项目描述

目的
识别信用卡中的卡号数字
输入与输出
方法流程
核心思想：采用模板匹配的方法，先保存每个数字模板，依次匹配感兴趣区域的数字对象，保留结果。具体流程如下：
1. 对模板图像进行外轮廓检测，从左到右排序得到每个数字的模板图像
2. 对待识别的图像进行预处理，提取包含信用卡中感兴趣区域（包含文本信息的区域）
3. 根据长宽比（先验知识）过滤掉不相关的轮廓。并进一步细分提取出每个待识别的数字，与之间的模板进行匹配

二、代码详解

2.1 预定义参数

导包

import os
import cv2
import argparse
import numpy as np
from imutils import contours

设置参数

图像路径参数

def parse():
    """设置自己的参数"""
    parser = argparse.ArgumentParser(description="set your identity parameters")
    parser.add_argument("-i", "--image", default="./images", type=str, help="path to input image")
    parser.add_argument("-t", "--template", default="./ocr_a_reference.png", type=str,
                        help="path to template OCR-A image")
    opt = parser.parse_args()
    # opt = vars(opt)   # 可用于返回参数的‘字典对’对象
    return opt

信用卡类别参数

FIRST_NUMBER = {
   "3": "American Express",
   "4": "Visa",
   "5": "MasterCard",
   "6": "Discover Card"
}

2.2 辅助函数

绘图

def cv_show(name, img):
    """绘图，避免重复造轮子"""
    cv2.imshow(name, img)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

轮廓排序（同imutils.contours.sort_contours()）

def sort_contours(cnts, method="left-to-right"):
    """对轮廓进行排序"""
    # 设置标识
    reverse = False     # 表示排序是否需要反转：正序（左->右，上->下）为False  逆序（右->左，下->上）为True
    i = 0               # 表示按x轴排序还是按y轴排序：上下为1   左右为0

    if method == "right-to-left" or method == "bottom-to-top":
        reverse = True
    if method == "top-to-bottom" or method == "bottom-to-top":
        i = 1

    # 对轮廓进行排序。用一个最小的矩形，把找到的形状包起来x,y,h,w，按x或y进行排序
    boundingBoxes = [cv2.boundingRect(c) for c in cnts]
    (cnts, boundingBoxes) = zip(*sorted(zip(cnts, boundingBoxes),
                                        key=lambda b: b[1][i],
                                        reverse=reverse))
    return cnts, boundingBoxes

缩放图像尺寸

def resize(image, width=None, height=None, inter=cv2.INTER_AREA):
    """根据自定的宽/高进行等比例缩放图像"""
    dim = None              # 缩放后的图像尺寸
    h, w = image.shape[:2]  # 原始图像尺寸
    if width is None and height is None:
        return image
    if width is None:
        r = height / float(h)
        dim = (int(w * r), height)
    else:
        r = width / float(w)
        dim = (width, int(h * r))

    resized = cv2.resize(image, dim, interpolation=inter)
    return resized

2.3 模板图像处理

模板图像

主要步骤：

读取模板图像，并转换为灰度图

img = cv2.imread(opt.template)  								
ref = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

在这里插入图片描述

将模板图像的灰度图二值化

ref = cv2.threshold(ref, 10, 255, cv2.THRESH_BINARY_INV)[1]

在这里插入图片描述

寻找二值图中的每个外轮廓

refCnts, hierarchy = cv2.findContours(ref.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

在这里插入图片描述

对所有外轮廓进行排序。从左到右，从上到下

refCnts = sort_contours(refCnts, method="left-to-right")[0]

依次遍历每一个轮廓，并存储每个类别模板

digits = {}
for i, c in enumerate(refCnts):
    (x, y, w, h) = cv2.boundingRect(c)  # 计算轮廓的最小外接矩形
    roi = ref[y:y + h, x:x + w]  		# 从二值图中提取当前类别模板
    roi = cv2.resize(roi, (57, 88))  	# 将模板resize到合适尺寸
    digits[i] = roi  					# 存储当前类别模板

代码实现

def deal_template(opt):
    """预处理模板图像，将每个类别的模板图像保存在字典中"""
    img = cv2.imread(opt.template)  								# 读取模板图像
    ref = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)  					# 将模板图像转换为灰度图
    ref = cv2.threshold(ref, 10, 255, cv2.THRESH_BINARY_INV)[1]  	# 二值化模板的灰度图像
    # -------------------------------------------------------
    # cv2.findContours(): 寻找二值图中的轮廓
    # 参数：
    #   cv2.RETR_EXTERNAL：      只检测外轮廓
    #   cv2.CHAIN_APPROX_SIMPLE：只保留终点坐标
    # 返回的list中每个元素都是图像中的一个轮廓
    # 注：函数接受的参数为二值图，即黑白的（不是灰度图）
    # -------------------------------------------------------
    refCnts, hierarchy = cv2.findContours(ref.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)  # 查找模板中的每个外轮廓
    cv2.drawContours(img, refCnts, -1, (0, 0, 255), 3)  			# 将轮廓绘制在原始图像上
    print(np.array(refCnts, dtype=object).shape)  					# 打印轮廓的个数
    refCnts = sort_contours(refCnts, method="left-to-right")[0]  	# 对轮廓进行排序。从左到右，从上到下

    # 遍历每一个轮廓，并存储每个类别模板
    digits = {}
    for i, c in enumerate(refCnts):
        (x, y, w, h) = cv2.boundingRect(c)  # 计算轮廓的最小外接矩形
        roi = ref[y:y + h, x:x + w]  # 从二值图中提取当前类别模板
        roi = cv2.resize(roi, (57, 88))  # 将模板resize到合适尺寸
        digits[i] = roi  # 存储当前类别模板
    return digits

2.4 识别信用卡图像

信用卡图像

主要步骤

将待识别图像进行缩放并转换为灰度图

image = cv2.imread(img_path)                    # 读取待识别图像
image = resize(image, width=300)                # 将图像根据指定宽进行缩放
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)  # 转换为灰度图像

在这里插入图片描述

对灰度图进行礼帽操作，突出更明亮的区域

tophat = cv2.morphologyEx(gray, cv2.MORPH_TOPHAT, rectKernel)   # 礼帽操作，突出更明亮的区域

在这里插入图片描述

利用sobel算子进行x方向边缘检测（y方向效果不好），取绝对值并归一化

gradX = cv2.Sobel(tophat, ddepth=cv2.CV_32F, dx=1, dy=0, ksize=-1)  # 检测x方向的边缘。ksize=-1相当于用3*3的核
gradX = np.absolute(gradX)											# 取绝对值
minVal, maxVal = np.min(gradX), np.max(gradX)
gradX = (255 * ((gradX - minVal) / (maxVal - minVal)))				# 归一化
gradX = gradX.astype("uint8")

在这里插入图片描述

通过闭运算（先膨胀，再腐蚀）将sobel检测的文字边缘连在一起

gradX = cv2.morphologyEx(gradX, cv2.MORPH_CLOSE, rectKernel)

在这里插入图片描述

二值化图像，使用THRESH_OTSU自动寻找合适的阈值

thresh = cv2.threshold(gradX, 0, 255, cv2.THRESH_BINARY | cv2.THRESH_OTSU)[1]

在这里插入图片描述

对二值图像进行闭运算，合并连接区域

thresh = cv2.morphologyEx(thresh, cv2.MORPH_CLOSE, sqKernel)

在这里插入图片描述

查找二值图像中的轮廓

threshCnts, hierarchy = cv2.findContours(thresh.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
cnts = threshCnts
cur_img = image.copy()
cv2.drawContours(cur_img, cnts, -1, (0, 0, 255), 3)

在这里插入图片描述

根据先验长宽信息，保留符合识别区域的轮廓（区域的最小外接矩），并将轮廓从左到右排序

locs = []
for (i, c) in enumerate(cnts):
    # 计算矩形
    (x, y, w, h) = cv2.boundingRect(c)
    ar = w / float(h)

    # 选择合适的区域，根据实际任务来，这里的基本都是四个数字一组
    if 2.5 < ar < 4.0:
        if 40 < w < 55 and 10 < h < 20:
            # 符合的留下来
            locs.append((x, y, w, h))

# 将符合的轮廓从左到右排序
locs = sorted(locs, key=lambda x: x[0])

在这里插入图片描述
9. 遍历轮廓中的每个数字，进行模板匹配

output = []		# 保存所有的识别结果
for i, (gX, gY, gW, gH) in enumerate(locs):
    groupOutput = []	# 保存当前组（轮廓方框）的识别结果

    # 根据坐标提取每一个组
    group = gray[gY - 5:gY + gH + 5, gX - 5:gX + gW + 5]
    # 二值化
    group = cv2.threshold(group, 0, 255, cv2.THRESH_BINARY | cv2.THRESH_OTSU)[1]
    # 计算每一组的轮廓
    digitCnts, hierarchy = cv2.findContours(group.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
    # 对当前组的所有轮廓从左到右排序
    digitCnts = contours.sort_contours(digitCnts, method="left-to-right")[0]

    # 计算每一组中的每一个数值
    for c in digitCnts:
        # 找到当前数值的轮廓，resize成合适的的大小
        (x, y, w, h) = cv2.boundingRect(c)
        roi = group[y:y + h, x:x + w]
        roi = cv2.resize(roi, (57, 88))

        # 计算匹配得分
        scores = []

        # 在模板中计算每一个得分
        for digit, digitROI in digits.items():
            # 模板匹配
            result = cv2.matchTemplate(roi, digitROI, cv2.TM_CCOEFF)
            _, score, _, _ = cv2.minMaxLoc(result)
            scores.append(score)

        # 得到最合适的数字
        groupOutput.append(str(np.argmax(scores)))

    # 画出来
    cv2.rectangle(image, (gX - 5, gY - 5), (gX + gW + 5, gY + gH + 5), (0, 0, 255), 1)
    cv2.putText(image, "".join(groupOutput), (gX, gY - 15), cv2.FONT_HERSHEY_SIMPLEX, 0.65, (0, 0, 255), 2)

    # 得到结果
    output.extend(groupOutput)
# 绘制与打印结果
cv_show("Image", image)
print("Credit Card Type: {}".format(FIRST_NUMBER[output[0]]))
print("Credit Card #: {}".format("".join(output)))

在这里插入图片描述

代码实现

def template_math(img_path):
    image = cv2.imread(img_path)                    # 读取待识别图像
    image = resize(image, width=300)                # 将图像根据指定宽进行缩放
    gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)  # 转换为灰度图像

    # 初始化卷积核
    rectKernel = cv2.getStructuringElement(cv2.MORPH_RECT, (9, 3))
    sqKernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))

    tophat = cv2.morphologyEx(gray, cv2.MORPH_TOPHAT, rectKernel)   # 礼帽操作，突出更明亮的区域

    gradX = cv2.Sobel(tophat, ddepth=cv2.CV_32F, dx=1, dy=0, ksize=-1)  # 检测x方向的边缘。ksize=-1相当于用3*3的核
    gradX = np.absolute(gradX)											# 取绝对值
    minVal, maxVal = np.min(gradX), np.max(gradX)
    gradX = (255 * ((gradX - minVal) / (maxVal - minVal)))				# 归一化
    gradX = gradX.astype("uint8")

    print(np.array(gradX).shape)

    # 通过闭操作（先膨胀，再腐蚀）将数字连在一起
    gradX = cv2.morphologyEx(gradX, cv2.MORPH_CLOSE, rectKernel)
    # THRESH_OTSU会自动寻找合适的阈值，适合双峰，需把阈值参数设置为0
    thresh = cv2.threshold(gradX, 0, 255, cv2.THRESH_BINARY | cv2.THRESH_OTSU)[1]

    # 再来一个闭操作
    thresh = cv2.morphologyEx(thresh, cv2.MORPH_CLOSE, sqKernel)  # 再来一个闭操作

    # 计算轮廓
    threshCnts, hierarchy = cv2.findContours(thresh.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
    cnts = threshCnts
    cur_img = image.copy()
    cv2.drawContours(cur_img, cnts, -1, (0, 0, 255), 3)
    
    # 遍历轮廓
    locs = []
    for (i, c) in enumerate(cnts):
        # 计算矩形
        (x, y, w, h) = cv2.boundingRect(c)
        ar = w / float(h)

        # 选择合适的区域，根据实际任务来，这里的基本都是四个数字一组
        if 2.5 < ar < 4.0:
            if 40 < w < 55 and 10 < h < 20:
                # 符合的留下来
                locs.append((x, y, w, h))

    # 将符合的轮廓从左到右排序
    locs = sorted(locs, key=lambda x: x[0])
    
    # 遍历每一个轮廓中的数字
    output = []
    for i, (gX, gY, gW, gH) in enumerate(locs):
        # initialize the list of group digits
        groupOutput = []

        # 根据坐标提取每一个组
        group = gray[gY - 5:gY + gH + 5, gX - 5:gX + gW + 5]
        # 二值化
        group = cv2.threshold(group, 0, 255, cv2.THRESH_BINARY | cv2.THRESH_OTSU)[1]
        # 计算每一组的轮廓
        digitCnts, hierarchy = cv2.findContours(group.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
        digitCnts = contours.sort_contours(digitCnts, method="left-to-right")[0]

        # 计算每一组中的每一个数值
        for c in digitCnts:
            # 找到当前数值的轮廓，resize成合适的的大小
            (x, y, w, h) = cv2.boundingRect(c)
            roi = group[y:y + h, x:x + w]
            roi = cv2.resize(roi, (57, 88))

            # 计算匹配得分
            scores = []

            # 在模板中计算每一个得分
            for digit, digitROI in digits.items():
                # 模板匹配
                result = cv2.matchTemplate(roi, digitROI, cv2.TM_CCOEFF)
                _, score, _, _ = cv2.minMaxLoc(result)
                scores.append(score)

            # 得到最合适的数字
            groupOutput.append(str(np.argmax(scores)))

        # 画出来
        cv2.rectangle(image, (gX - 5, gY - 5), (gX + gW + 5, gY + gH + 5), (0, 0, 255), 1)
        cv2.putText(image, "".join(groupOutput), (gX, gY - 15), cv2.FONT_HERSHEY_SIMPLEX, 0.65, (0, 0, 255), 2)

        # 得到结果
        output.extend(groupOutput)
    # 绘制与打印结果
    cv_show("Image", image)
    print("Credit Card Type: {}".format(FIRST_NUMBER[output[0]]))
    print("Credit Card #: {}".format("".join(output)))
    return output

三、项目完整代码

import os
import cv2
import argparse
import numpy as np
from imutils import contours


def parse():
    """设置自己的参数"""
    parser = argparse.ArgumentParser(description="set your identity parameters")
    parser.add_argument("-i", "--image", default="./images", type=str, help="path to input image")
    parser.add_argument("-t", "--template", default="./ocr_a_reference.png", type=str,
                        help="path to template OCR-A image")
    opt = parser.parse_args()
    # opt = vars(opt)   # 可用于返回参数的‘字典对’对象
    return opt


def cv_show(name, img):
    """绘图，避免重复造轮子"""
    cv2.imshow(name, img)
    cv2.waitKey(0)
    cv2.destroyAllWindows()


def sort_contours(cnts, method="left-to-right"):
    """对轮廓进行排序"""
    # 设置标识
    reverse = False     # 表示排序是否需要反转：正序（左->右，上->下）为False  逆序（右->左，下->上）为True
    i = 0               # 表示按x轴排序还是按y轴排序：上下为1   左右为0

    if method == "right-to-left" or method == "bottom-to-top":
        reverse = True
    if method == "top-to-bottom" or method == "bottom-to-top":
        i = 1

    # 对轮廓进行排序。用一个最小的矩形，把找到的形状包起来x,y,h,w，按x或y进行排序
    boundingBoxes = [cv2.boundingRect(c) for c in cnts]
    (cnts, boundingBoxes) = zip(*sorted(zip(cnts, boundingBoxes),
                                        key=lambda b: b[1][i],
                                        reverse=reverse))
    return cnts, boundingBoxes


def resize(image, width=None, height=None, inter=cv2.INTER_AREA):
    """根据自定的宽/高进行等比例缩放图像"""
    dim = None              # 缩放后的图像尺寸
    h, w = image.shape[:2]  # 原始图像尺寸
    if width is None and height is None:
        return image
    if width is None:
        r = height / float(h)
        dim = (int(w * r), height)
    else:
        r = width / float(w)
        dim = (width, int(h * r))

    resized = cv2.resize(image, dim, interpolation=inter)
    return resized


def deal_template(opt):
    """预处理模板图像，将每个类别的模板图像保存在字典中"""
    img = cv2.imread(opt.template)  								# 读取模板图像
    ref = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)  					# 将模板图像转换为灰度图
    ref = cv2.threshold(ref, 10, 255, cv2.THRESH_BINARY_INV)[1]  	# 二值化模板的灰度图像
    # -------------------------------------------------------
    # cv2.findContours(): 寻找二值图中的轮廓
    # 参数：
    #   cv2.RETR_EXTERNAL：      只检测外轮廓
    #   cv2.CHAIN_APPROX_SIMPLE：只保留终点坐标
    # 返回的list中每个元素都是图像中的一个轮廓
    # 注：函数接受的参数为二值图，即黑白的（不是灰度图）
    # -------------------------------------------------------
    refCnts, hierarchy = cv2.findContours(ref.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)  # 查找模板中的每个外轮廓
    cv2.drawContours(img, refCnts, -1, (0, 0, 255), 3) 		 		# 将轮廓绘制在原始图像上
    print(np.array(refCnts, dtype=object).shape)  					# 打印轮廓的个数
    refCnts = sort_contours(refCnts, method="left-to-right")[0]  	# 对轮廓进行排序。从左到右，从上到下

    # 遍历每一个轮廓，并存储每个类别模板
    digits = {}
    for i, c in enumerate(refCnts):
        (x, y, w, h) = cv2.boundingRect(c)  	# 计算轮廓的最小外接矩形
        roi = ref[y:y + h, x:x + w]  			# 从二值图中提取当前类别模板
        roi = cv2.resize(roi, (57, 88))  		# 将模板resize到合适尺寸
        digits[i] = roi  						# 存储当前类别模板
    return digits


def template_math(img_path):
    image = cv2.imread(img_path)                    # 读取待识别图像
    image = resize(image, width=300)                # 将图像根据指定宽进行缩放
    gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)  # 转换为灰度图像
    cv_show("image", image)

    # 初始化卷积核
    rectKernel = cv2.getStructuringElement(cv2.MORPH_RECT, (9, 3))
    sqKernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))

    tophat = cv2.morphologyEx(gray, cv2.MORPH_TOPHAT, rectKernel)   # 礼帽操作，突出更明亮的区域

    gradX = cv2.Sobel(tophat, ddepth=cv2.CV_32F, dx=1, dy=0, ksize=-1)  # 检测x方向的边缘。ksize=-1相当于用3*3的核
    gradX = np.absolute(gradX)                                          # 取绝对值
    minVal, maxVal = np.min(gradX), np.max(gradX)
    gradX = (255 * ((gradX - minVal) / (maxVal - minVal)))              # 归一化
    gradX = gradX.astype("uint8")

    print(np.array(gradX).shape)

    # 通过闭操作（先膨胀，再腐蚀）将数字连在一起
    gradX = cv2.morphologyEx(gradX, cv2.MORPH_CLOSE, rectKernel)

    # THRESH_OTSU会自动寻找合适的阈值，适合双峰，需把阈值参数设置为0
    thresh = cv2.threshold(gradX, 0, 255, cv2.THRESH_BINARY | cv2.THRESH_OTSU)[1]

    # 再来一个闭操作
    thresh = cv2.morphologyEx(thresh, cv2.MORPH_CLOSE, sqKernel)

    # 计算轮廓
    threshCnts, hierarchy = cv2.findContours(thresh.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
    cnts = threshCnts
    cur_img = image.copy()
    cv2.drawContours(cur_img, cnts, -1, (0, 0, 255), 3)

    # 遍历轮廓，保留符合先验信息的轮廓
    locs = []
    for (i, c) in enumerate(cnts):
        # 计算矩形
        (x, y, w, h) = cv2.boundingRect(c)
        ar = w / float(h)

        # 选择合适的区域，根据实际任务来，这里的基本都是四个数字一组
        if 2.5 < ar < 4.0:
            if 40 < w < 55 and 10 < h < 20:
                # 符合的留下来
                locs.append((x, y, w, h))

    # 将符合的轮廓从左到右排序
    locs = sorted(locs, key=lambda x: x[0])

    # 遍历每一个轮廓中的数字
    output = []
    for i, (gX, gY, gW, gH) in enumerate(locs):
        # initialize the list of group digits
        groupOutput = []

        # 根据坐标提取每一个组
        group = gray[gY - 5:gY + gH + 5, gX - 5:gX + gW + 5]
        # 二值化
        group = cv2.threshold(group, 0, 255, cv2.THRESH_BINARY | cv2.THRESH_OTSU)[1]
        # 计算每一组的轮廓
        digitCnts, hierarchy = cv2.findContours(group.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
        digitCnts = contours.sort_contours(digitCnts, method="left-to-right")[0]

        # 计算每一组中的每一个数值
        for c in digitCnts:
            # 找到当前数值的轮廓，resize成合适的的大小
            (x, y, w, h) = cv2.boundingRect(c)
            roi = group[y:y + h, x:x + w]
            roi = cv2.resize(roi, (57, 88))

            # 计算匹配得分
            scores = []

            # 在模板中计算每一个得分
            for digit, digitROI in digits.items():
                # 模板匹配
                result = cv2.matchTemplate(roi, digitROI, cv2.TM_CCOEFF)
                _, score, _, _ = cv2.minMaxLoc(result)
                scores.append(score)

            # 得到最合适的数字
            groupOutput.append(str(np.argmax(scores)))

        # 画出来
        cv2.rectangle(image, (gX - 5, gY - 5), (gX + gW + 5, gY + gH + 5), (0, 0, 255), 1)
        cv2.putText(image, "".join(groupOutput), (gX, gY - 15), cv2.FONT_HERSHEY_SIMPLEX, 0.65, (0, 0, 255), 2)

        # 得到结果
        output.extend(groupOutput)
    # 绘制与打印结果
    cv_show("Image", image)
    print("Credit Card Type: {}".format(FIRST_NUMBER[output[0]]))
    print("Credit Card #: {}".format("".join(output)))
    return output


if __name__ == '__main__':
    # =================== 参数预处理 ===================
    FIRST_NUMBER = {
        "3": "American Express",
        "4": "Visa",
        "5": "MasterCard",
        "6": "Discover Card"
    }
    opt = parse()
    # ================== 模板图像预处理 ==================
    digits = deal_template(opt)

    # =================== 模板匹配 ==================
    for basename in os.listdir(opt.image):
        image_path = opt.image + "/" + basename
        output = template_math(image_path)

人工智能最新文章

2022吴恩达机器学习课程——第二课（神经网

第十五章规则学习

FixMatch: Simplifying Semi-Supervised Le

数据挖掘Java——Kmeans算法的实现

大脑皮层的分割方法

【翻译】GPT-3是如何工作的

论文笔记:TEACHTEXT: CrossModal Generaliz

python从零学（六）

详解Python 3.x 导入(import)

【答读者问27】backtrader不支持最新版本的

加:2022-09-13 11:15:05 更:2022-09-13 11:20:37

360图书馆购物三丰科技阅读网日历万年历 2024年11日历

-2024/11/25 22:48:05-

图片自动播放器
↓图片自动播放器↓

TxT小说阅读器
↓语音阅读,小说下载,古典文学↓

一键清除垃圾
↓轻轻一点,清除系统垃圾↓

图片批量下载器
↓批量下载图片,美女图库↓

网站联系: qq:121756557 email:121756557@qq.com IT数码