https://github.com/syamkakarla98/telugu_character_recognition

Uses different techniques for Telugu handwritten characters recognition
https://github.com/syamkakarla98/telugu_character_recognition

hacktoberfest2020 hactoberfest python-3 python3 pytorch recognition segmentation segmentation-based-detection telugu telugu-language

Last synced: 9 months ago
JSON representation

Uses different techniques for Telugu handwritten characters recognition

Host: GitHub
URL: https://github.com/syamkakarla98/telugu_character_recognition
Owner: syamkakarla98
License: gpl-3.0
Created: 2019-02-13T05:39:17.000Z (almost 7 years ago)
Default Branch: master
Last Pushed: 2020-10-11T09:30:32.000Z (about 5 years ago)
Last Synced: 2025-01-12T07:46:39.607Z (11 months ago)
Topics: hacktoberfest2020, hactoberfest, python-3, python3, pytorch, recognition, segmentation, segmentation-based-detection, telugu, telugu-language
Language: Jupyter Notebook
Homepage:
Size: 3.59 MB
Stars: 1
Watchers: 0
Forks: 0
Open Issues: 0
Metadata Files:
- Readme: README.md
- License: LICENSE

Awesome Lists containing this project

README

### Import Libraries

```python
import pandas as pd
import numpy
import matplotlib.pyplot as plt
%matplotlib inline
```

### Read the CSV file

```python
df = pd.read_csv("E://Telugu Character Recogniton//CSV_dataset//CSV_datasetsix_vowel_dataset_with_class.csv")

df.head()
```

.dataframe tbody tr th:only-of-type {
vertical-align: middle;
}

.dataframe tbody tr th {
vertical-align: top;
}

.dataframe thead th {
text-align: right;
}

pixel0
pixel1
pixel2
pixel3
pixel4
pixel5
pixel6
pixel7
pixel8
pixel9
...
pixel775
pixel776
pixel777
pixel778
pixel779
pixel780
pixel781
pixel782
pixel783
class

0
255
255
254
255
255
255
252
255
255
255
...
255
255
255
255
255
255
255
255
255
1

1
255
255
254
255
255
254
255
255
255
255
...
255
255
255
255
255
255
255
255
255
1

2
255
254
255
255
255
255
254
255
254
255
...
255
255
255
255
255
255
255
255
255
1

3
254
255
255
255
254
255
255
255
254
255
...
255
255
255
255
255
255
255
255
255
1

4
254
255
255
253
255
255
255
254
255
255
...
255
255
255
255
255
255
255
255
255
1

5 rows × 785 columns

```python
df.tail()
```

.dataframe tbody tr th:only-of-type {
vertical-align: middle;
}

.dataframe tbody tr th {
vertical-align: top;
}

.dataframe thead th {
text-align: right;
}

pixel0
pixel1
pixel2
pixel3
pixel4
pixel5
pixel6
pixel7
pixel8
pixel9
...
pixel775
pixel776
pixel777
pixel778
pixel779
pixel780
pixel781
pixel782
pixel783
class

1195
255
255
255
255
255
255
255
255
254
255
...
255
255
255
255
255
255
255
255
255
6

1196
255
255
255
255
255
255
255
255
255
255
...
255
255
255
255
255
255
255
255
255
6

1197
255
255
255
255
255
255
255
255
255
255
...
255
255
255
255
255
255
255
255
255
6

1198
255
255
255
255
255
255
255
255
254
255
...
255
255
255
255
255
255
255
255
255
6

1199
254
255
255
255
252
254
255
254
254
254
...
255
255
255
255
255
255
255
255
255
6

5 rows × 785 columns

```python

```

### Reading First instance

```python
df.iloc[2]

```

pixel0 255
pixel1 254
pixel2 255
pixel3 255
pixel4 255
pixel5 255
pixel6 254
pixel7 255
pixel8 254
pixel9 255
pixel10 255
pixel11 255
pixel12 255
pixel13 253
pixel14 255
pixel15 254
pixel16 254
pixel17 255
pixel18 254
pixel19 255
pixel20 254
pixel21 255
pixel22 255
pixel23 254
pixel24 255
pixel25 255
pixel26 255
pixel27 255
pixel28 255
pixel29 253
...
pixel755 255
pixel756 255
pixel757 255
pixel758 255
pixel759 255
pixel760 255
pixel761 255
pixel762 255
pixel763 255
pixel764 255
pixel765 255
pixel766 255
pixel767 255
pixel768 255
pixel769 255
pixel770 255
pixel771 255
pixel772 255
pixel773 255
pixel774 255
pixel775 255
pixel776 255
pixel777 255
pixel778 255
pixel779 255
pixel780 255
pixel781 255
pixel782 255
pixel783 255
class 1
Name: 2, Length: 785, dtype: int64

### Reshaping into 28X28 array

```python
pix=[]
for i in range(784):
pix.append('pixel'+str(i))
features=pix
X = df.loc[:, features].values
y=df.loc[:,'class'].values
X[0]
```

array([255, 255, 254, 255, 255, 255, 252, 255, 255, 255, 254, 255, 253,
255, 255, 254, 253, 255, 255, 253, 255, 255, 255, 253, 255, 255,
255, 255, 254, 255, 255, 254, 255, 255, 255, 254, 255, 255, 255,
253, 255, 254, 254, 255, 255, 252, 255, 254, 254, 255, 253, 255,
255, 255, 255, 255, 255, 255, 255, 255, 253, 253, 255, 254, 253,
255, 252, 253, 255, 255, 253, 255, 255, 255, 255, 255, 255, 254,
255, 250, 255, 255, 255, 255, 255, 253, 253, 255, 255, 255, 255,
255, 255, 255, 255, 255, 252, 254, 252, 255, 255, 255, 254, 253,
255, 253, 253, 255, 255, 255, 255, 255, 254, 255, 255, 252, 254,
168, 1, 0, 0, 255, 255, 255, 255, 253, 255, 255, 255, 255,
255, 254, 253, 255, 255, 253, 255, 255, 255, 255, 255, 251, 254,
255, 114, 6, 255, 254, 4, 250, 255, 254, 255, 255, 251, 117,
119, 251, 254, 255, 255, 253, 255, 254, 255, 255, 255, 255, 253,
255, 255, 250, 1, 255, 250, 255, 255, 161, 255, 254, 252, 254,
5, 39, 171, 1, 0, 255, 255, 255, 255, 255, 255, 255, 255,
255, 255, 253, 255, 255, 1, 254, 255, 254, 254, 164, 253, 255,
255, 254, 0, 253, 254, 255, 244, 0, 255, 255, 255, 255, 255,
255, 255, 255, 255, 255, 254, 255, 201, 255, 254, 255, 95, 252,
255, 255, 254, 3, 255, 254, 255, 254, 255, 1, 251, 255, 254,
255, 255, 255, 255, 255, 255, 255, 254, 197, 253, 253, 255, 255,
0, 253, 253, 253, 255, 0, 255, 255, 253, 255, 255, 196, 255,
253, 255, 255, 255, 255, 255, 255, 255, 250, 255, 126, 255, 2,
2, 0, 38, 255, 253, 255, 255, 0, 255, 255, 253, 255, 254,
253, 255, 255, 252, 255, 255, 255, 255, 255, 254, 255, 254, 125,
254, 254, 255, 255, 254, 254, 255, 253, 252, 2, 255, 253, 255,
254, 254, 255, 252, 255, 255, 255, 255, 255, 255, 255, 255, 253,
255, 126, 255, 251, 251, 254, 255, 253, 255, 255, 255, 215, 4,
253, 255, 255, 255, 85, 253, 252, 254, 255, 255, 255, 255, 255,
255, 255, 255, 254, 163, 255, 255, 255, 255, 0, 0, 0, 4,
0, 0, 3, 250, 255, 255, 0, 255, 255, 255, 253, 255, 255,
255, 255, 255, 255, 249, 255, 1, 251, 255, 253, 254, 254, 255,
255, 251, 255, 255, 255, 255, 255, 255, 1, 254, 255, 251, 255,
255, 255, 255, 255, 253, 255, 255, 254, 9, 254, 255, 254, 255,
255, 255, 254, 255, 254, 254, 255, 253, 255, 237, 85, 255, 253,
255, 254, 255, 255, 255, 255, 255, 255, 252, 255, 254, 2, 253,
255, 253, 255, 253, 255, 255, 253, 255, 255, 255, 255, 0, 253,
255, 255, 255, 253, 255, 255, 255, 255, 253, 253, 255, 255, 253,
178, 0, 255, 255, 252, 255, 253, 252, 255, 253, 253, 255, 2,
255, 255, 255, 252, 255, 255, 255, 255, 255, 255, 255, 255, 252,
253, 255, 253, 14, 1, 0, 252, 255, 255, 255, 255, 254, 255,
0, 132, 251, 254, 254, 255, 252, 255, 255, 255, 255, 255, 255,
253, 255, 255, 255, 255, 254, 252, 254, 10, 1, 0, 0, 0,
0, 5, 255, 255, 255, 255, 254, 253, 255, 253, 255, 255, 255,
255, 254, 255, 251, 255, 255, 255, 252, 255, 255, 253, 255, 255,
255, 255, 254, 254, 255, 253, 251, 255, 253, 255, 255, 253, 255,
255, 255, 255, 254, 255, 255, 255, 255, 253, 255, 253, 252, 255,
255, 255, 254, 254, 255, 254, 253, 255, 255, 252, 255, 255, 253,
255, 255, 255, 255, 255, 254, 255, 255, 255, 255, 255, 252, 255,
255, 252, 255, 253, 255, 253, 255, 255, 255, 255, 255, 255, 254,
254, 253, 255, 255, 255, 255, 255, 255, 255, 255, 253, 253, 255,
255, 255, 251, 255, 255, 254, 255, 255, 254, 255, 254, 255, 252,
255, 254, 255, 255, 253, 255, 255, 255, 255, 255, 255, 255, 255,
255, 255, 255, 255, 255, 255, 255, 255, 255, 255, 255, 255, 255,
255, 255, 255, 255, 255, 255, 255, 255, 255, 255, 255, 255, 255,
255, 255, 255, 255, 255, 255, 255, 255, 255, 255, 255, 255, 255,
255, 255, 255, 255, 255, 255, 255, 255, 255, 255, 255, 255, 255,
255, 255, 255, 255, 255, 255, 255, 255, 255, 255, 255, 255, 255,
255, 255, 255, 255, 255, 255, 255, 255, 255, 255, 255, 255, 255,
255, 255, 255, 255, 255, 255, 255, 255, 255, 255, 255, 255, 255,
255, 255, 255, 255, 255, 255, 255, 255, 255, 255, 255, 255, 255,
255, 255, 255, 255], dtype=int64)

```python
imarray = numpy.asfarray(X[11]).reshape((28,28))
```

```python
imarray
```

array([[255., 252., 255., 255., 255., 252., 255., 255., 255., 255., 252.,
255., 253., 255., 254., 255., 255., 252., 255., 254., 255., 255.,
255., 254., 255., 255., 255., 255.],
[255., 255., 252., 255., 255., 252., 255., 252., 255., 255., 255.,
252., 255., 255., 254., 255., 255., 255., 255., 253., 254., 253.,
255., 255., 255., 255., 255., 255.],
[255., 254., 255., 254., 255., 255., 253., 255., 255., 252., 255.,
255., 253., 255., 255., 255., 255., 250., 255., 255., 255., 255.,
255., 250., 255., 255., 255., 255.],
[254., 253., 255., 255., 255., 253., 255., 253., 255., 254., 255.,
255., 254., 253., 255., 253., 253., 255., 255., 253., 255., 253.,
254., 255., 255., 255., 255., 255.],
[254., 255., 255., 254., 253., 255., 255., 254., 74., 31., 26.,
26., 255., 255., 254., 255., 255., 255., 255., 255., 255., 251.,
255., 253., 255., 255., 255., 255.],
[255., 253., 255., 255., 255., 252., 252., 9., 8., 253., 255.,
255., 0., 255., 253., 254., 255., 252., 255., 253., 255., 255.,
255., 255., 255., 255., 255., 255.],
[255., 254., 254., 254., 254., 255., 250., 2., 255., 255., 250.,
255., 255., 0., 255., 253., 255., 255., 254., 255., 254., 255.,
253., 253., 255., 255., 255., 255.],
[254., 255., 254., 255., 255., 253., 16., 252., 255., 255., 255.,
255., 251., 0., 255., 254., 255., 255., 254., 253., 172., 175.,
253., 255., 255., 255., 255., 255.],
[255., 253., 255., 254., 255., 253., 4., 254., 255., 253., 255.,
255., 255., 1., 255., 254., 255., 253., 255., 0., 122., 96.,
0., 101., 255., 253., 255., 253.],
[255., 255., 255., 252., 255., 255., 0., 255., 253., 255., 255.,
155., 2., 1., 253., 255., 253., 255., 37., 254., 251., 253.,
255., 3., 255., 255., 252., 255.],
[255., 252., 255., 255., 255., 255., 0., 255., 93., 0., 1.,
104., 255., 255., 255., 255., 255., 255., 0., 255., 253., 255.,
252., 253., 0., 255., 252., 255.],
[253., 255., 253., 255., 254., 254., 3., 0., 197., 252., 255.,
255., 255., 250., 255., 253., 255., 253., 0., 253., 255., 255.,
254., 255., 3., 252., 255., 255.],
[255., 255., 255., 251., 64., 0., 147., 253., 255., 255., 251.,
255., 253., 255., 255., 255., 253., 255., 0., 253., 254., 253.,
252., 255., 1., 255., 254., 254.],
[251., 253., 255., 255., 254., 255., 144., 254., 253., 255., 255.,
255., 255., 252., 254., 252., 255., 253., 0., 255., 255., 253.,
255., 255., 1., 254., 255., 254.],
[255., 255., 254., 255., 255., 251., 0., 255., 255., 255., 255.,
255., 254., 255., 253., 255., 254., 255., 255., 0., 252., 255.,
253., 255., 3., 253., 255., 255.],
[255., 253., 255., 254., 254., 255., 2., 252., 255., 255., 252.,
255., 255., 252., 253., 254., 67., 0., 0., 0., 22., 255.,
255., 252., 122., 255., 255., 253.],
[254., 255., 255., 254., 255., 254., 255., 65., 255., 101., 0.,
5., 0., 0., 0., 23., 168., 251., 255., 252., 255., 255.,
255., 61., 255., 255., 255., 255.],
[255., 252., 255., 252., 253., 255., 253., 0., 253., 255., 255.,
252., 251., 255., 255., 255., 252., 255., 254., 254., 255., 255.,
249., 2., 255., 255., 255., 255.],
[255., 254., 255., 255., 255., 255., 255., 253., 2., 253., 255.,
255., 255., 253., 255., 253., 255., 255., 254., 255., 255., 254.,
255., 36., 255., 255., 255., 255.],
[252., 255., 254., 253., 255., 255., 254., 254., 212., 0., 255.,
255., 254., 255., 253., 255., 254., 255., 254., 255., 255., 253.,
12., 254., 255., 255., 255., 255.],
[255., 250., 255., 254., 255., 253., 255., 255., 255., 57., 0.,
254., 255., 255., 252., 255., 255., 254., 255., 253., 252., 254.,
5., 255., 255., 255., 255., 255.],
[255., 255., 255., 255., 251., 254., 254., 255., 254., 254., 255.,
0., 10., 255., 255., 254., 255., 250., 252., 255., 17., 2.,
253., 254., 255., 255., 255., 255.],
[255., 250., 255., 255., 255., 255., 255., 253., 255., 254., 253.,
255., 221., 4., 3., 0., 0., 3., 8., 1., 129., 254.,
254., 255., 255., 255., 255., 255.],
[255., 255., 253., 254., 255., 251., 255., 255., 254., 255., 255.,
255., 255., 253., 255., 255., 255., 255., 253., 254., 255., 255.,
255., 255., 255., 255., 255., 255.],
[255., 255., 255., 255., 255., 255., 255., 255., 255., 255., 255.,
255., 255., 255., 255., 255., 255., 255., 255., 255., 255., 255.,
255., 255., 255., 255., 255., 255.],
[255., 255., 255., 255., 255., 255., 255., 255., 255., 255., 255.,
255., 255., 255., 255., 255., 255., 255., 255., 255., 255., 255.,
255., 255., 255., 255., 255., 255.],
[255., 255., 255., 255., 255., 255., 255., 255., 255., 255., 255.,
255., 255., 255., 255., 255., 255., 255., 255., 255., 255., 255.,
255., 255., 255., 255., 255., 255.],
[255., 255., 255., 255., 255., 255., 255., 255., 255., 255., 255.,
255., 255., 255., 255., 255., 255., 255., 255., 255., 255., 255.,
255., 255., 255., 255., 255., 255.]])

### Plotting the reconstructed image

```python
print('After Converting values ie.., [0-255] in between [0-1] : ')
imarray=255-imarray
plt.imshow(imarray,cmap=plt.cm.binary);
# print(imarray)
```

After Converting values ie.., [0-255] in between [0-1] :

![png](output_13_1.png)

```python
# nimg = tf.keras.utils.normalize(imarray,axis=0)
nimg=imarray/255.0
print('After Converting values ie.., [0-255] in between [0-1] : ')
plt.imshow(nimg,cmap=plt.cm.binary);
```

After Converting values ie.., [0-255] in between [0-1] :

![png](output_14_1.png)

```python
def row2img(pos):
return numpy.asfarray(X[pos]).reshape((28,28))

f, (ax1, ax2, ax3) = plt.subplots(1, 3, sharey=True)
f.suptitle("Images with respective Classes(1-3)")
ax1.set_title('Class: 1')
ax1.imshow(255-row2img(26),cmap=plt.cm.binary);
ax2.set_title('Class: 2')
ax2.imshow(255-row2img(222),cmap=plt.cm.binary);
ax3.set_title('Class: 3')
ax3.imshow(255-row2img(444),cmap=plt.cm.binary);

```

![png](output_15_0.png)

```python
f, (ax1, ax2, ax3) = plt.subplots(1, 3, sharey=True)
f.suptitle("Images with respective Classes(4-6)")
ax1.set_title('Class: 4')
ax1.imshow(255-row2img(666),cmap=plt.cm.binary);
ax2.set_title('Class: 5')
ax2.imshow(255-row2img(999),cmap=plt.cm.binary);
ax3.set_title('Class: 6')
ax3.imshow(255-row2img(1111),cmap=plt.cm.binary);
```

![png](output_16_0.png)

```python

```

ecosyste.ms

Data

Tools

Indexes

Applications

Experiments

Awesome

https://github.com/syamkakarla98/telugu_character_recognition

Awesome Lists containing this project

README