博主介绍：✌全网粉丝10W+,前互联网大厂软件研发、集结硕博英豪成立工作室。专注于计算机相关专业项目实战6年之久，选择我们就是选择放心、选择安心毕业✌
> 🍅想要获取完整文章或者源码，或者代做，拉到文章底部即可与我联系了。🍅

点击查看作者主页，了解更多项目！

🍅感兴趣的可以先收藏起来，点赞、关注不迷路，大家在毕设选题，项目以及论文编写等相关问题都可以给我留言咨询，希望帮助同学们顺利毕业 。🍅

1、毕业设计：2025年计算机专业毕业设计选题汇总（建议收藏）✅

2、最全计算机专业毕业设计选题大全（建议收藏）✅

1、项目介绍

技术栈：
Python语言、pyqt界面、卷积神经网络CNN算法、OpenCV、pyTorch、matplotlib、scikit-learn

1、手写汉字后，点击识别汉字，矩形框显示识别结果
2、手写汉字后，可以清空画板、使用橡皮擦、选择画笔粗细、画笔颜色等等

2、项目界面

（1）手写汉字后，点击识别汉字，矩形框显示识别结果

（1）手写汉字后，点击识别汉字，矩形框显示识别结果

（1）手写汉字后，点击识别汉字，矩形框显示识别结果

（4）上传文字图片后，点击灰度化、平滑、二值化、识别，即可显示识别的结果

（5）上传文字图片后，点击灰度化、平滑、二值化、识别，即可显示识别的结果

（6）手写汉字后，可以清空画板、使用橡皮擦、选择画笔粗细、画笔颜色等等

（7）识别文字模块：选择图片后，右侧矩形框显示识别结果

（8）识别文字模块：选择图片后，右侧矩形框显示识别结果

3、项目说明

本项目是面向汉字识别与深度学习应用开发的手写汉字识别系统，以 Python 为开发语言，核心集成 PyQt 可视化界面、卷积神经网络（CNN）算法、OpenCV 图像处理技术，搭配 PyTorch 深度学习框架、matplotlib 可视化库与 scikit-learn 辅助工具，构建 “手写绘制识别 + 图片导入识别” 双模式汉字识别平台，可应用于汉字学习辅助、手写笔记数字化、文档识别录入等场景，解决传统手写汉字人工识别效率低、数字化难的问题，兼具交互灵活性与识别准确性。​
技术架构上，项目形成 “交互输入 - 图像处理 - 模型推理 - 结果展示” 的完整体系：PyQt 搭建直观交互界面，支持手写绘制、画笔参数调节（粗细 / 颜色）、橡皮擦与清空操作，满足用户个性化手写需求；OpenCV 负责图像预处理，对上传的文字图片执行灰度化、平滑去噪、二值化操作，优化图像质量以提升识别精度；CNN 算法作为核心识别模型，依托 PyTorch 框架训练优化，能深度提取汉字笔画、结构特征，实现手写与预处理后图片中汉字的精准识别；matplotlib 与 scikit-learn 辅助数据处理与结果可视化，确保识别流程稳定高效。​
核心功能覆盖 “手写交互 - 图片处理 - 精准识别” 全场景：手写识别模式下，用户可在 PyQt 画板上手写汉字，点击 “识别” 后系统通过 CNN 模型推理，以矩形框标注识别结果，同时支持画笔粗细 / 颜色调整、橡皮擦修改、一键清空画板，操作灵活便捷；图片识别模式下，用户上传文字图片后，依次执行灰度化（降低色彩干扰）、平滑（去除噪声）、二值化（突出文字轮廓）预处理，再触发识别功能，系统快速输出汉字识别结果，适用于印刷体或手写体图片的批量识别需求。​
系统界面布局清晰，功能分区明确（手写区、参数调节区、结果展示区），即使非技术用户也能快速上手。识别过程响应迅速，预处理步骤可直观观察图像变化，帮助用户理解识别原理。项目融合深度学习、图像处理与 GUI 开发技术，既展现了扎实的技术整合能力，又为汉字识别场景提供实用解决方案，是兼顾学习研究与实际应用的优质开发项目。​

4、核心代码

import torch
from torchvision import models
import torch.nn as nn
import cv2
import numpy as np


device = torch.device('cuda:0' if torch.cuda.is_available() else 'cpu')
# 加载resnet18模型
net = models.resnet18(pretrained=False)
# 修改第一层卷积层
net.conv1 = nn.Conv2d(1, 64, kernel_size=(7, 7), stride=(2, 2), padding=(3, 3), bias=False)
# 修改模型最后一层
net.fc = nn.Linear(in_features=512, out_features=1311, bias=True)
# 加载模型参数，参数反序列化为python dict
stadic = torch.load('logs/Epoch53-Loss0.0415_.pth')  # 使用训练得到的模型参数
# 加载模型参数，加载训练好的参数
ne = net.load_state_dict(stadic)
# 将网络部署到设备上
net = net.to(device)
# model.eval() 负责改变batchnorm、dropout的工作方式，如在eval()模式下，dropout是不工作的
# eval()会把模型中的每个module的self.training设置为False
net.eval()

# 读取标签，一行一行读取
labs = open('characters.txt', 'r', encoding='utf-8').readlines()

# 预测函数，返回图片文字
def pre(src):
    # 灰度化
    # cv2.cvtColor(p1,p2) 是颜色空间转换函数，p1是需要转换的图片，p2是转换成何种格式。
    #  cv2.COLOR_BGR2GRAY：灰度图像
    img = cv2.cvtColor(src, cv2.COLOR_BGR2GRAY)
    # 进行二值化
    # 选取全局阈值，将整幅图像分成二值图像。如果像素值大于阈值，则为其分配之歌值（可以是白色），否则为其分配另一个值
    # 第一个是灰度图 第二个是给图像分类进行的阈值 第三个是最大值 小于0的赋值0，大于0的赋值255
    # 就可以用第四个参数THRESH_OTSU，它对一幅双峰图像自动根据其直方图计算出合适的阈值
    _, img = cv2.threshold(img, 0, 255, cv2.THRESH_OTSU)
    img = 255 - img
    # 缩放图像宽高到64
    img = cv2.resize(img, (64, 64))
    # 添加一个维度，并归一化
    img = np.expand_dims(img, axis=0)/255
    img = np.expand_dims(img, axis=0).astype('float32')
    # 创建图片的张量
    # 读取图片成numpy array的范围是[0,255]是uint8
    # 而转成tensor的范围就是[0,1.0], 是float
    img = torch.from_numpy(img)
    # 将张量数据部署到设备上
    img = img.to(device)
    # 获取输出
    # model(img):前向传播，就说是给网络输入一个样本向量，该样本向量的各元素，经过各隐藏层的逐级加权求和+非线性激活，最终由输出层输出一个预测向量的过程
    # detach(): 阻断反传，直接输出预测结果
    # cpu():将数据移至CPU中,返回值是tensor
    # numpy():将tensor变量转为返回值为numpy，返回值为numpy.array()
    # 为什么要把tensor转为numpy：因为tensor是专门为GPU加速设计的矩阵，而numpy却不行，其实就相当于一个为GPU设计的数据结构。
    out = net(img).cpu().detach().numpy()
    # 返回最大概率值的索引
    out = np.argmax(out[0], axis=-1)
    img= labs[out].strip()
    return img


# 返回标签

if __name__ == '__main__':
    img_path = lines[item].strip().split()[0]  # item表示第几行
    img_lab = lines[item].strip().split()[1]  # 表示这一行图片的标签
    img = cv2.imread(img_path)
    path = 'train/00020/109472.png'
    src = cv2.imread(path)
    # 得到最大概率标签
    label = pre(src)
    # 返回标签对应图片
    out = labs[label].strip()
    print(out)

import torch
from torchvision import models
import torch.nn as nn
import cv2
import numpy as np


device = torch.device('cuda:0' if torch.cuda.is_available() else 'cpu')
# 加载resnet18模型
net = models.resnet18(pretrained=False)
# 修改第一层卷积层
net.conv1 = nn.Conv2d(1, 64, kernel_size=(7, 7), stride=(2, 2), padding=(3, 3), bias=False)
# 修改模型最后一层
net.fc = nn.Linear(in_features=512, out_features=1311, bias=True)
# 加载模型参数，参数反序列化为python dict
stadic = torch.load('logs_handwrite/Epoch25-Loss0.0217_.pth')  # 使用训练得到的模型参数
# 加载模型参数，加载训练好的参数
ne = net.load_state_dict(stadic)
# 将网络部署到设备上
net = net.to(device)
# model.eval() 负责改变batchnorm、dropout的工作方式，如在eval()模式下，dropout是不工作的
# eval()会把模型中的每个module的self.training设置为False
net.eval()

# 读取标签，一行一行读取
labs = open('handwrite.txt', 'r', encoding='utf-8').readlines()

# 预测函数
def pre_handwrite(src):
    # 灰度化
    # cv2.cvtColor(p1,p2) 是颜色空间转换函数，p1是需要转换的图片，p2是转换成何种格式。
    #  cv2.COLOR_BGR2GRAY：灰度图像
    img = cv2.cvtColor(src, cv2.COLOR_BGR2GRAY)
    # 进行二值化
    # 选取全局阈值，将整幅图像分成二值图像。如果像素值大于阈值，则为其分配之歌值（可以是白色），否则为其分配另一个值
    # 第一个是灰度图 第二个是给图像分类进行的阈值 第三个是最大值 小于0的赋值0，大于0的赋值255
    # 就可以用第四个参数THRESH_OTSU，它对一幅双峰图像自动根据其直方图计算出合适的阈值
    _, img = cv2.threshold(img, 0, 255, cv2.THRESH_OTSU)
    img = 255 - img
    # 缩放图像宽高到64
    img = cv2.resize(img, (64, 64))
    # 添加一个维度，并归一化
    img = np.expand_dims(img, axis=0)/255
    img = np.expand_dims(img, axis=0).astype('float32')
    # 创建图片的张量
    # 读取图片成numpy array的范围是[0,255]是uint8
    # 而转成tensor的范围就是[0,1.0], 是float
    img = torch.from_numpy(img)
    # 将张量数据部署到设备上
    img = img.to(device)
    # 获取输出
    # model(img):前向传播，就说是给网络输入一个样本向量，该样本向量的各元素，经过各隐藏层的逐级加权求和+非线性激活，最终由输出层输出一个预测向量的过程
    # detach(): 阻断反传，直接输出预测结果
    # cpu():将数据移至CPU中,返回值是tensor
    # numpy():将tensor变量转为返回值为numpy，返回值为numpy.array()
    # 为什么要把tensor转为numpy：因为tensor是专门为GPU加速设计的矩阵，而numpy却不行，其实就相当于一个为GPU设计的数据结构。
    out = net(img).cpu().detach().numpy()
    # 返回最大概率值的索引
    out = np.argmax(out[0], axis=-1)
    img = labs[out].strip()
    return img



if __name__ == '__main__':
    path = '1.png'
    src = cv2.imread(path)
    label = pre_handwrite(src)
    # 最大概率值对应的字符串
    out = labs[label].strip()
    print(out)

5、项目获取