实现中文手写数字识别，读取data文件夹里的图片并去掉标签里的字母及符号，读取chinese_mnist.csv文件里的并提取character。将图片进行预处理，其中包括该图片大小：150*150；添加RGB三通道，数据归一化；再进行划分测试集与训练集，其比例为2：8；再进行CNN神经网络的搭建，再进行模型编译，模型训练。最后随机选取一张图片进行实现图像识别

好的，我已经明白你的问题了。针对你的问题，我可以为你提供以下的解决思路：

1. 读取data文件夹里的图片并去掉标签里的字母及符号

你可以使用Python中的Pillow库来读取图片并进行处理。具体步骤如下：

from PIL import Image

# 读取图片
img = Image.open('path/to/image.png')

# 去掉标签里的字母及符号
label = img.filename.split('/')[-1].split('_')[-1].split('.')[0]

2. 读取chinese_mnist.csv文件里的并提取character

你可以使用Python中的pandas库来读取csv文件，并提取character列。具体步骤如下：

import pandas as pd

# 读取csv文件
df = pd.read_csv('path/to/chinese_mnist.csv')

# 提取character列
characters = df['character']

3. 进行图片预处理

你可以使用Python中的OpenCV库来对图片进行处理。具体步骤如下：

import cv2

# 调整图片大小为150*150
img = cv2.resize(img, (150, 150))

# 添加RGB三通道
img = cv2.cvtColor(img, cv2.COLOR_GRAY2RGB)

# 数据归一化
img = img.astype('float32') / 255.0

4. 划分测试集与训练集

你可以使用Python中的sklearn库来进行数据集划分。具体步骤如下：

from sklearn.model_selection import train_test_split

X_train, X_test, y_train, y_test = train_test_split(data, labels, test_size=0.2, random_state=42)

其中，data为你的图片数据，labels为你的标签数据。

5. 进行CNN神经网络的搭建

你可以使用Python中的Keras库来搭建CNN神经网络。具体步骤如下：

from keras.models import Sequential
from keras.layers import Conv2D, MaxPooling2D, Flatten, Dense

model = Sequential()

model.add(Conv2D(32, (3, 3), activation='relu', input_shape=(150, 150, 3)))
model.add(MaxPooling2D((2, 2)))

model.add(Conv2D(64, (3, 3), activation='relu'))
model.add(MaxPooling2D((2, 2)))

model.add(Conv2D(128, (3, 3), activation='relu'))
model.add(MaxPooling2D((2, 2)))

model.add(Conv2D(128, (3, 3), activation='relu'))
model.add(MaxPooling2D((2, 2)))

model.add(Flatten())

model.add(Dense(512, activation='relu'))
model.add(Dense(15, activation='softmax'))

print(model.summary())

其中，Conv2D表示卷积层，MaxPooling2D表示最大池化层，Flatten表示将多维输入压成一维输入，Dense表示全连接层。

6. 进行模型编译、模型训练

你可以使用Python中的Keras库来编译模型并训练模型。具体步骤如下：

model.compile(optimizer='rmsprop', loss='categorical_crossentropy', metrics=['accuracy'])

model.fit(X_train, y_train, epochs=10, batch_size=32, validation_data=(X_test, y_test))

其中，optimizer表示优化器，loss表示损失函数，metrics表示评价指标，epochs表示训练轮数，batch_size表示每次训练的数据量。

7. 进行图像识别

你可以使用Python中的OpenCV库来读取图片并进行预处理，然后使用训练好的模型来进行图像识别。具体步骤如下：

# 读取图片
img = cv2.imread('path/to/image.png', cv2.IMREAD_GRAYSCALE)

# 预处理图片
img = cv2.resize(img, (150, 150))
img = cv2.cvtColor(img, cv2.COLOR_GRAY2RGB)
img = img.astype('float32') / 255.0

# 进行图像识别
predictions = model.predict(img)

其中，predictions为模型预测的结果。

以上就是针对你提出的问题的解决思路，希望能够对你有所帮助。