KNN算法实现图片的识别

 1、将5000份手写数字 切分出来，[00....200,...]1*400的数据,直接当作是数字的特征 将数据切分成训练集和测试集

2、数据展开成400列 [00....200,...] 0 [00....100,...] 2 [00....220,...] 3

3、添加y

4、knn算法训练

5、模型的好坏。

import numpy as np
import cv2 #3.1本身就自了机器学习的函数img = cv2.imread('digits.png')
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)#转换为灰度图
# 将原始图像分割成独立的数字，每个数字大小20*20，共15000个
# a = np.vsplit(gray,50)
cells = [np.hsplit(row,100) for row in np.vsplit(gray,50)]#按照顺序来看代码,python列表
# 转成array，形状(50,100,20,20),50行，100列，每个图像20*20大小
x = np.array(cells)train = x[:, :50]# 划分为训练集和测试集，比例各占一半
test = x[:,50:100]# 将数据构造为符合KNN的输入，将每个数字的尺寸由20*20调整为1*400(一行*400个像素)
train_new = train.reshape(-1,400).astype(np.float32) # Size = (2500,400)
test_new = test.reshape(-1,400).astype(np.float32) # Size = (2500,400)# 分配标签，分别为训练数据、测试数据分配标签(图像对应的实际值)
k = np.arange(10)#0123456789
labels = np.repeat(k,250)#repeat重复数组中的元素，每个元素重复250次
train_labels = labels[:,np.newaxis]#np.newaxis是NumPy中的一个特殊对象，用于在数组中增加一个新的维度。
test_labels = np.repeat(k,250)[:,np.newaxis]# 模型构建+训练,sklearn knn... opencv里面也有knn
knn = cv2.ml.KNearest_create()#创建cv2的k-NN模型
knn.train(train_new, cv2.ml.ROW_SAMPLE, train_labels)#cv2.ml.ROW_SAMPLE: 这是一个标志，告诉OpenCV训练数据是按行组织的，即每一行是一个样本。
ret,result,neighbours,dist = knn.findNearest(test_new,k=3) #knn.predict()
# ret: 表示查找操作是否成功。
# result: 浮点数组，表示测试样本的预测标签。
# neighbours: 这是一个整数数组，表示与测试样本最近的k个邻居的索引。这些索引对应于训练集中的样本，可以用来检查哪些训练样本对预测结果产生了影响。
# dist: 这是一个浮点数组，表示测试样本与每个最近邻居之间的距离。这些距离可以帮助理解预测结果的置信度；距离越近，预测通常越可靠。# 通过测试集校验准确率
matches = result==test_labels
correct = np.count_nonzero(matches)
accuracy = correct*100.0/result.size
print("当前使用KNN识别手写数字的准确率为：%",format(accuracy))# #1、输入1张图片，得到这张图片的数字是几？
# #2、改成sklearn库来实现，突破性的功能。

一·读取数据然后转化为矩阵 

img = cv2.imread('digits.png')
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)#转换为灰度图

 在调试中可以看到这是一个1000*2000的矩阵

cells = [np.hsplit(row,100) for row in np.vsplit(gray,50)]#按照顺序来看代码,python列表
# 转成array，形状(50,100,20,20),50行，100列，每个图像20*20大小
x = np.array(cells)

• np.vsplit(gray, 50)：将名为gray的原始图像沿着垂直方向（vertical）分割成 50 个等大的子图像（行）
• 然后对分割得到的每一行row，使用np.hsplit(row, 100)沿着水平方向（horizontal）分割成 100 个等大的子图像（列）
• 最终得到一个列表cells，结构是 50 行 100 列的二维列表，每个元素都是一个小型图像

train = x[:, :50]# 划分为训练集和测试集，比例各占一半
test = x[:,50:100]

二·展开

train_new = train.reshape(-1,400).astype(np.float32) # Size = (2500,400)
test_new = test.reshape(-1,400).astype(np.float32) # Size = (2500,400)

这两行代码将训练集`train`和测试集`test`重塑为二维数组（形状均为(2500, 400)），并转为32位浮点数类型。 - `reshape(-1, 400)`：自动计算行数（此处为2500），将每个20×20的图像展平为400个特征的一维向量。 - `astype(np.float32)`：适配模型对输入数据类型的要求，节省内存并提升计算效率。

三·添加结果Y

k = np.arange(10)#0123456789
labels = np.repeat(k,250)#repeat重复数组中的元素，每个元素重复250次
train_labels = labels[:,np.newaxis]#np.newaxis是NumPy中的一个特殊对象，用于在数组中增加一个新的维度。
test_labels = np.repeat(k,250)[:,np.newaxis]

1. `k = np.arange(10)`：生成数组`[0,1,2,3,4,5,6,7,8,9]`，共10个元素。 2. `labels = np.repeat(k,250)`：将`k`中每个元素重复250次，生成长度为2500的一维数组，元素顺序为0重复250次、1重复250次……9重复250次。 3. `train_labels = labels[:,np.newaxis]`：给`labels`增加一个新维度，从(2500,)变为(2500,1)的二维数组，用于符合训练数据的标签格式。 4. `test_labels = np.repeat(k,250)[:,np.newaxis]`：生成与`train_labels`结构相同的测试标签数组，形状为(2500,1)。 整体功能：创建结构一致的训练和测试标签，每个数字0-9各出现250次，且均为二维列向量形式。

四·knn算法训练

# 模型构建+训练,sklearn knn... opencv里面也有knn
knn = cv2.ml.KNearest_create()#创建cv2的k-NN模型
knn.train(train_new, cv2.ml.ROW_SAMPLE, train_labels)#cv2.ml.ROW_SAMPLE: 这是一个标志，告诉OpenCV训练数据是按行组织的，即每一行是一个样本。
ret,result,neighbours,dist = knn.findNearest(test_new,k=3) #knn.predict()
# ret: 表示查找操作是否成功。
# result: 浮点数组，表示测试样本的预测标签。
# neighbours: 这是一个整数数组，表示与测试样本最近的k个邻居的索引。这些索引对应于训练集中的样本，可以用来检查哪些训练样本对预测结果产生了影响。
# dist: 这是一个浮点数组，表示测试样本与每个最近邻居之间的距离。这些距离可以帮助理解预测结果的置信度；距离越近，预测通常越可靠。

1. 创建模型：`knn = cv2.ml.KNearest_create()` 初始化KNN实例 2. 训练：`knn.train(train_new, cv2.ml.ROW_SAMPLE, train_labels)` - 按行组织样本（每行一个样本） - 用训练数据和标签构建模型 3. 预测：`knn.findNearest(test_new, k=3)` - 返回四要素：操作状态（ret）、预测结果（result）、近邻索引（neighbours）、距离（dist） - k=3指定参考3个最近邻 核心：OpenCV的KNN通过存储训练样本，预测时计算待测样本与最近k个样本的距离，按多数原则分类。

五·模型的好坏

# 通过测试集校验准确率
matches = result==test_labels
correct = np.count_nonzero(matches)
accuracy = correct*100.0/result.size
print("当前使用KNN识别手写数字的准确率为：%",format(accuracy))

这段代码用于计算KNN模型的预测准确率：

1. `matches = result == test_labels`：对比预测结果与真实标签，得到布尔数组（True表示预测正确）

2. `correct = np.count_nonzero(matches)`：统计正确预测的数量

3. `accuracy = correct * 100.0 / result.size`：计算准确率（正确数/总样本数×100%）

4. 打印准确率结果 核心逻辑：通过对比预测值与真实值，统计正确比例来评估模型性能。