用python写一个基于特征提取不用机器学习的手写数字识别程序

好的，以下是一个基于特征提取的手写数字识别程序的示例代码：

import numpy as np
import cv2

# 加载预处理模板
template = cv2.imread('digits.png',0)

# 定义特征提取函数
def get_features(img):
    # 缩小图像
    img = cv2.resize(img, (20, 20))
    # 二值化
    ret, img = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY)
    # 求每行和每列的像素值和
    row_sum = np.sum(img, axis=1).reshape(-1, 1)
    col_sum = np.sum(img, axis=0).reshape(1, -1)
    # 将特征向量合并为一个一维数组
    features = np.concatenate([row_sum.flatten(), col_sum.flatten()])
    return features

# 定义计算距离的函数
def distance(x1, x2):
    return np.sqrt(np.sum(np.square(x1-x2)))

# 加载测试图片
test_img = cv2.imread('test.png', 0)

# 提取特征
test_features = get_features(test_img)

# 计算与所有预处理模板的距离
distances = []
for i in range(10):
    for j in range(5):
        template_roi = template[j*20:(j+1)*20, i*20:(i+1)*20]
        template_features = get_features(template_roi)
        dist = distance(test_features, template_features)
        distances.append((dist, i))

# 排序并取出距离最小的数字
distances.sort()
digit = distances[0][1]

print('识别结果：', digit)

该程序的思路是先将手写数字图像缩小并二值化，然后计算每行和每列的像素值和作为特征向量。接着，对于每个数字，将其预处理模板的特征向量与测试图像的特征向量计算欧氏距离，最后选择距离最小的数字作为识别结果。

请注意，该程序的识别效果可能不如基于机器学习的手写数字识别程序，因此仅供参考。