微信公众号上发布wordpress锦绣大地seo官网

 今天学习了KNN算法的一个小项目手写数字识别，下面来对这部分项目代码进行详细分析下。

识别的数据是一张图片

 这张图片的像素是2000*1000的，如果大家下载这个可能不是的，但应该可以转化。

下面是整体代码：

import numpy as np
import cv2tp=cv2.imread('2e97f45f638a45aefac9f7599dcacaa.png')
# print(tp.shape)
gray=cv2.cvtColor(tp,cv2.COLOR_BGR2GRAY)
# print(gray.shape)
cell=[np.hsplit(i,100) for i in np.vsplit(gray,50)]
# print(cell[0][0].shape)
data=np.array(cell)
# print(data.shape)
trainx=data[:,:50,:]
testx=data[:,50:,:]train_x=trainx.reshape(-1,400).astype(np.float32)
test_x=testx.reshape(-1,400).astype(np.float32)k=np.arange(0,10)
# print(k)
train_y=np.reshape(np.repeat(k,250),(-1,1))
test_y=np.reshape(np.repeat(k,250),(-1,1))
# print(train_y.shape)from sklearn.neighbors import KNeighborsClassifier
model=KNeighborsClassifier(n_neighbors=8)
model.fit(train_x,train_y)result1=model.score(test_x,test_y)
print(result1)new=cv2.imread('test1.png')
newgray=cv2.cvtColor(new,cv2.COLOR_BGR2GRAY)
# print(newgray.shape)
new1=np.reshape(newgray,(-1,400))
# print(new1.shape)
result2=model.predict(new1)
print('识别结果：',result2)

下面我对这段代码，进行详细解析：

1 数据导入

tp=cv2.imread('2e97f45f638a45aefac9f7599dcacaa.png')

我们通过cv2中的imread方法进行对图片数据的读取，他的读取结果就是3个矩阵，虽然我们图片看着是黑白的，但图片类型是RGB的所有读取下来就还是三个。

关于读取结果，我们图片是由许多像素点构成的，然后imread将每个像素点的黑白程度分为0-255，其中纯黑就是0，纯白就是255，然后根据这个一张图片就被读取为一个矩阵了，下面我们开看下这个的读取结果。

我们可以隐约看到，255连成的区域好像一个0，刚好对应这我们开头的第一个手写0。

他的维度是(1000, 2000, 3)，与我们刚开始说的像素点也符合。 

2 灰度图处理

gray=cv2.cvtColor(tp,cv2.COLOR_BGR2GRAY)

这一步是将RGB图转化为黑白的了。这个可能不明显，在矩阵上面可以看到矩阵由[0,0,0]->0

 这样是不是就非常明显了。维度从(1000, 2000, 3)变成了(1000, 2000, 1)

3 矩阵切割

cell=[np.hsplit(i,100) for i in np.vsplit(gray,50)]

我们知道，训练的时候我们要对每一个数字进行训练，但现在那么多数字在一张图片上我们怎么训练呢，所有我们要先切割一下。由于我们这都是设计好的，每个数都是平均分配的像素，我们可以数一下 每行有100个数字，每列有50个数字，而且是平均分的，由此我们可以先对矩阵垂直平均分割（行分）为50行，然后再对每行水平分割（列分）为100列，就会把每个数组存在一个矩阵中了。

这里是第一张图片的读取结果。

4 转化为ndarry矩阵

data=np.array(cell)

我们知道矩阵的计算比列表的计算快许多倍，所有我们把矩阵转化为列表再进行计算。

 这下我们也可以清晰查看每个数字的具体矩阵

5 训练集和测试集划分

trainx=data[:,:50,:]
testx=data[:,50:,:]

这里我们是对数据进行了55分，我们也可以进行其他比例的划分。

6 转化数据维度和类型

train_x=trainx.reshape(-1,400).astype(np.float32)
test_x=testx.reshape(-1,400).astype(np.float32)

我们先把我们每张图片的维度转化为一维的并且将int型转化为浮点型，因为我们计算不能以以多维的矩阵进行计算，我们要以以为的矩阵来计算。然后转化为浮点数，是为了让后面距离计算的时候精度更细一点。

7 创建标签集

k=np.arange(0,10)
# print(k)
train_y=np.reshape(np.repeat(k,250),(-1,1))
test_y=np.reshape(np.repeat(k,250),(-1,1))

现在我们有数据了，但是我们还没有标签，但是我们不能一个一个手敲出来标签吧，如果数据比较复杂没办法那就要手敲了，但现在我们注意到数据比较有规律。例如训练集的，前250个全部是0，然后下面250个全部是1，所以我们可以根据这个特点来创造，首先先创造出一个0-9的一维矩阵，然后repeat，这个函数功能是将矩阵中的每一个元素重复若干次。

这里后面还把我们矩阵转化为了一列n行的一个矩阵，刚开始我们1维n列的矩阵不好一一对应，转化为n行一列更好。

8 模型训练

from sklearn.neighbors import KNeighborsClassifier
model=KNeighborsClassifier(n_neighbors=8)
model.fit(train_x,train_y)

这里我们创建了一个KNN分类器的一个模型你。然后导入了训练集进行训练

9 模型准确率

result1=model.score(test_x,test_y)
print(result1)

我们这里导入了测试集对前面训练好的模型进行了一个评估。结果0.9152，说明准确率为91.52%感觉还是很高的。

10 应用模型

我们训练好了我们的模型下面我们该如何能实践用起来呢

new=cv2.imread('test1.png')
newgray=cv2.cvtColor(new,cv2.COLOR_BGR2GRAY)
# print(newgray.shape)
new1=np.reshape(newgray,(-1,400))
# print(new1.shape)
result2=model.predict(new1)
print('识别结果：',result2)

我们先导入一张我们要测试的图片

然后像前面一样，imraed读取图片，灰度图处理，维度转换，用模型测试，然后最终结果就出现了。                        识别结果： [1]

至此我们的实战就结束了。（老外写的和我们写的数字可能不那么对应，所以对于我们自己的字体检查的可能不是那么准确）