1、概述
使用K-近邻（K-Nearest Neighbors, KNN）算法对手写数字进行识别的过程。通过读取一张包含多个手写数字的图片，将其分割成单独的数字图像，并将其作为训练和测试数据集。
2、数据处理思路
1、图像分割该数据有50行100列，每个数字占据20*20个像素点，可以进行切分
2、划分出训练集和测试集
3、每个数据的像素点为20*20，将其全部变成一列1*400格式，转换成数值特征
4、最后使用KNN算法训练模型，使用测试集评估模型的性能
3、方法：
- 数据准备： 描述如何获取和准备"digits.png"图片数据。
- 图像预处理： 包括图像读取、灰度转换和图像分割。
- 数据集划分： 说明如何将图像分割后的小块划分为训练集和测试集。
- 特征提取： 描述如何将图像数据转换为适合KNN算法处理的数值特征。
- 模型训练： 详细说明如何使用KNN算法训练模型，包括参数设置和训练过程。
- 模型评估： 描述如何使用测试集评估模型的性能，包括准确率的计算方法。
- **数据检测：**输入数据进行判断。
python
import cv2
import numpy as np#导入库
#数据准备
img=cv2.imread("digits.png")#cv2读取文件
#图像预处理
gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)#将读取的文件变成灰度图
splited=[np.hsplit(i,100) for i in np.vsplit(gray,50)]#将该图切成50行100列
#数据集划分
x=np.array(splited)#将切好后的数据以数组的形式保存
train=x[:,:50]#前面50列定义为训练集
test=x[:,50:100]#后面50列定义为测试集
#特征提取
#每一个数据占据20*20的像素，将其转换成一列1*400格式重新塑形并转换为浮点数类型，以便用于K-近邻算法的输入。
train1=train.reshape(-1,400).astype(np.float32)
test1=test.reshape(-1,400).astype(np.float32)
#训练集中0-9，各有250个，是train1的结果，np.newaxis改变维度和上面训练集维度相同
train_result=np.repeat(np.arange(10),250)[:,np.newaxis]
test_result=np.repeat(np.arange(10),250)[:,np.newaxis]
#模型训练
#创建K-近邻算法的实例
knn=cv2.ml.KNearest_create()
#将train1按照1*400的格式为特征，train_result为标签进行训练，cv2.ml.ROW_SAMPLE（将数据一行行输出）
knn.train(train1,cv2.ml.ROW_SAMPLE,train_result)
#将测试集带入，k近邻设置为3（建议为奇数，尽量避免出现相同的数量）
ret,result,neighbours,dist=knn.findNearest(test1,k=3)
#ret：检测操作成功
#result: 这是存储搜索结果。
#neighbours: 这将是一个列表，包含每个测试点的最近邻的索引。
#dist: 这将是一个列表，包含每个测试点到其最近邻的距离
#模型评估
#比较测试结果和测试集结果
matches=result==test_result
#统计正确的数量
correct=np.count_nonzero(matches)
#求占比
accuracy=correct*100.0/result.size
print(accuracy)
#数据检测
imgn=cv2.imread("p6.png")
grayn=cv2.cvtColor(imgn,cv2.COLOR_BGR2GRAY)
xn=np.array(grayn)
testn=xn.reshape(-1,400).astype(np.float32)
ret,resultn,neighbours,dist=knn.findNearest(testn,k=5)
print(resultn)