syamkakarla98 / Telugu_Character_Recognition

Uses different techniques for Telugu handwritten characters recognition

Import Libraries

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

Read the CSV file

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

df.head()

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

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

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

</style>

	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

df.tail()

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

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

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

</style>

	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

Reading First instance

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

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)

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

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

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] : 

# 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] : 

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);

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);