KNN实现手写数字识别（Python-OpenCV）

手写数字识别

Python-OpenCV   KNN实现手写数字识别

目标：编写一个使用OPenCV的KNN模块实现手写数字识别的程序。

训练数据和测试数据为OpenCV自带的一副包含5000个手写数字的图像digits.

该图像中每个数字有5行，100列（每个手写数字的大小为20x20像素）。

处理过程如下：

1. 导入相关模块。
2. 读取磁盘文件，图像色彩空间转换。
3. 拆分数字，将图像中的每一个数字都拆分为一个独立的20像素x20像素的图像。 
4. 拆分数据集，将所有数据划分为训练集和测试集。
5. 图像重塑，将20x20的图像转换为1x400的列向量，以便于后续处理。
6. 为图像“贴上”标签
7. 创建knn分类器，完成训练，和识别
8. 计算准确率

代码如下：

'''
knn数字识别
'''
import cv2.cv2 as cv
import numpy as np

# ===读取文件色彩空间转换
img = cv.imread('./digits.png')
gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY) # 色彩空间转换
# ===拆分数字
cells = [np.hsplit(row, 100) for row in np.vsplit(gray, 50)] # 将原始图拆分为单个数字
x = np.array(cells) # 转换为ndarray
print(f'x.shape=\n{x.shape}')
# ===拆分数据集
train = x[:, :50]
test = x[:, 50:]

# ===图片拉伸为1X400的向量
train = train.reshape(-1, 400).astype(np.float32)
test = test.reshape(-1, 400).astype(np.float32)
print(f'train.shape=\n{train.shape}')
# ===贴标签
k = np.arange(10)
train_labels = np.repeat(k, 250)[:, np.newaxis] # 训练集标签
test_labels = np.repeat(k, 250)[:, np.newaxis] # 测试集标签
# ===knn
knn = cv.ml.KNearest_create() # 创建knn分类器对象
knn.train(train, cv.ml.ROW_SAMPLE, train_labels) # 开始训练
ret, result, neighbours, dist = knn.findNearest(test, k=5) # 开始预测
# ===验证
match = result == test_labels
correct = np.count_nonzero(match)
accuracy = correct*100/result.size
print(f'当前使用knn识别手写数字的准确率为：{accuracy}')

运行结果：

x.shape=
(50, 100, 20, 20)
train.shape=
(2500, 400)
当前使用knn识别手写数字的准确率为：91.76