KNN算法实现识别图片数字

图片基本情况

---

图片

数据

图片像素是2000x1000,即高（行）1000，宽（列）2000，每个数字区域为20*20，每5行都是同一个数字，每行数字有50个，每列数字有100个

图片数字识别

---

图片数据处理及预测

• hsplit(矩阵,n）
  竖向切分切n个
• vsplit(矩阵,n)
  横向切分切n个
• reshape(-1,n)
  重构二维矩阵，-1表示所有，n表示列

400列即20*20每一个数字区域,每列为一个特征数据，占一个维度

• astype(n)
  设置数据类型
• cv2.ml.KNearest_create()
  创建knn算法
• train（x,cv2.ml.ROW_SAMPLE,y)
  训练模型，x为特征数据,y为结果类别，cv2.ml.ROW_SAMPLE设置按行处理数据
• ret,result,neighbors,dist = knn.findNearest(x,k=3)
  x为特征数据,k为范围，ret bool值,result数据预测结果,neighbors邻居,dist距离
• 矩阵==矩阵
  返回矩阵，值为bool值，如果矩阵一一对应的值相等为T，否则F
• np.count_nonzero(矩阵)，计算为矩阵内非0的个数

代码展示：

# 灰度图
img1 = cv2.imread('tu_data.png')
img = cv2.imread('tu_data.png',0)# 每个数字区域为20*20，每5行都是同一个数字
# hsplit 竖向切分，vsplit 沿行横向切分
# 列表生成式，先横向切分切50行，再将横向行数据竖向切分，每行切100列，共50*100=5000个图片数据，每个都是一个1000/50=20，2000/100=20
#每个图片都是20*20的数值
cells = [np.hsplit(row,100) for row in np.vsplit(img,50)]
# print(cells)
# 列表转矩阵
data_img = np.array(cells)
# print(data_img)
# 切分数据一半，一半作为历史数据培训模型，一半作为测试数据，检测
# 切分后的是一半是5000/2=2500个，从中间竖切一半变为50*50
train_x = data_img[:,:50]
test_x = data_img[:,50:100]
# 设置x特征数据
tr_x = train_x.reshape(-1,400).astype(np.float32)
te_x = test_x.reshape(-1,400).astype(np.float32)
# 根据图片结果构建0-9的y类别标签
# 生成0-9的np矩阵
k = np.arange(10)
# 复制标签
# 从0到9，依次复制250个，50*5=250
lab = np.repeat(k,250)
# 增加数组维度
t_lab = lab[:,np.newaxis]
#创建knn算法
knn = cv2.ml.KNearest_create()
#训练模型
knn.train(tr_x,cv2.ml.ROW_SAMPLE,t_lab)
ret,result,neighbors,dist = knn.findNearest(te_x,k=3)
# 正确率
match = result==t_lab
T = np.count_nonzero(match)
c = T*100.0/ result.size
print(c)

运行结果：

其它数字图片正确率预测

其他图片为单个20*20的图片，如下
代码展示：

import cv2
import numpy as np# 只能是灰度图
img1 = cv2.imread('tu_data.png')
img = cv2.imread('tu_data.png',0)
# print(type(img1),type(img))
# 每个数字区域为20*20，每5行都是同一个数字
# hsplit 竖向切分，vsplit 沿行横向切分
# 列表生成式，先横向切分切50行，再将横向行数据竖向切分，每行切100列，共50*100=5000个图片数据，每个都是一个1000/50=20，2000/100=20
#每个图片都是20*20的数值
cells = [np.hsplit(row,100) for row in np.vsplit(img,50)]
# print(cells)
# 图片数据转np矩阵
data_img = np.array(cells)
# print(data_img)
# 切分数据一半，一半作为历史数据培训模型，一半作为测试数据，检测
# 切分后的是一半是5000/2=2500个，从中间竖切一半变为50*50
train_x = data_img[:,:50]
test_x = data_img[:,50:100]# 设置x特征数据
tr_x = train_x.reshape(-1,400).astype(np.float32)
te_x = test_x.reshape(-1,400).astype(np.float32)
# 根据图片结果构建0-9的y类别标签
# 生成0-9的np矩阵
k = np.arange(10)
# 复制标签
# 从0到9，依次复制250个，50*5=250
lab = np.repeat(k,250)
# 增加数组维度
t_lab = lab[:,np.newaxis]
print(k,type(k))
print(lab,type(lab))
print(t_lab,type(t_lab))
# 创建knn算法
knn = cv2.ml.KNearest_create()
#训练模型
knn.train(tr_x,cv2.ml.ROW_SAMPLE,t_lab)
ret,result,neighbors,dist = knn.findNearest(te_x,k=3)t1 = cv2.imread('t1.png',0)
t2 = cv2.imread('t2.png',0)
t3 = cv2.imread('t3.png',0)
t4 = cv2.imread('t4.png',0)
t5 = cv2.imread('t5.png',0)
t6 = cv2.imread('t6.png',0)
t7 = cv2.imread('t7.png',0)
t8 = cv2.imread('t8.png',0)
t9 = cv2.imread('t9.png',0)
t0 = cv2.imread('t0.png',0)
#运行都是np.array数组类型，需要添加定义为数组，再重构，可以先输出部分结果观察
tt = np.array([t0,t1,t2,t3,t4,t5,t6,t7,t8,t9])
k = np.array([0,1,2,3,4,5,6,7,8,9])
t_lab1 = k[:,np.newaxis]
tt = tt.reshape(-1,400).astype(np.float32)
# 不同数据输入可能输出结果与类型不同，判断标签可能需要调整
ret1,result1,neighbors1,dist1 = knn.findNearest(tt,k=3)
print(result1)
print(t_lab1)
match1 = result1==t_lab1
print(result1==t_lab1)
T1 = np.count_nonzero(match1)
c1 = T1*100.0/ result1.size
print(c1)

运行结果：