目录
一、项目介绍
通过对一张2000*1000像素写满0-9手写数字的图片进行处理。分割出训练集和测试集使用KNN算法进行训练并且预测测试集的标签。
二、数据集介绍
数据集是一张2000*1000像素的图片，有50行100列手写数字，其中每个手写数字占20*20的像素。将图片对半分割，左侧50列作为训练集，右侧50列作为测试集。当模型建立好后也可以自己传入手写数字图片进行预测。
三、需要解决的问题
1、如何分割训练集以及测试集并将每个手写数字分割出来？
答：可以借助numpy库对图片进行分割
2、如何把得到的训练集以及测试集转换成能传入模型的数值？
答：可以将组成图像的二维数组展开为一行，这样就变成能传入模型的列表数据
3、如何给数据添加标签？
答：可以自己创建与样本数量相同的0-9的数字放在列表中作为标签
4、如何得到模型的正确率？
答：可以将模型输出的结果与测试集标签进行对比，查看相同结果占比
5、如何使用其他图片来验证模型？
答：可以用与样本大小相同的灰度图传入数据进行预测
四、代码实际展示
代码展示
python
import numpy as np
import cv2
from networkx.classes import neighbors
from sklearn.neighbors import KNeighborsClassifier
img_gray = cv2.imread(r'./data/num.png',0)
# 将每张照片分割出来
# 列表推导式
cells = [np.hsplit(row,100) for row in np.vsplit(img_gray,50)]
# 列表推导式展开
# cells = []
# for row in np.vsplit(img_gray,50):
# cells.append(np.hsplit(row, 100))
# 将cells列表转换为数组
x = np.array(cells)
# 将前50列分割为训练集
train = x[:,:50]
# 将后50列分割为测试集
test = x[:,50:100]
# 将每张图像展开为一行400列
train_new = train.reshape(-1,400).astype(np.float32)
test_new = test.reshape(-1,400).astype(np.float32)
# 创建标签
k = np.arange(0,10)
labels = np.repeat(k,250)
# 创建训练集标签
train_labels = labels[:,np.newaxis]
# 创建测试标签
test_labels = labels[:,np.newaxis]
# 创建KNN模型（为cv2库自带）
knn = cv2.ml.KNearest_create()
# 训练模型
knn.train(train_new,cv2.ml.ROW_SAMPLE,train_labels)
# 用测试集测试模型
ret,result,neigh,dist = knn.findNearest(test_new,k=3)
# 计算模型的正确率
matches = result == test_labels
correct = np.count_nonzero(matches)
accuracy = correct*100.0/result.size
print('使用cv2准确率为：',accuracy)
# 使用sklearn库自带的KNN库进行试验
knn1 = KNeighborsClassifier(n_neighbors=3)
knn1.fit(train_new,train_labels)
result1 = knn1.predict(test_new)
result1 = result1[:,np.newaxis]
matches = result1 == test_labels
correct = np.count_nonzero(matches)
accuracy = correct*100.0/result1.size
print('使用sklearn准确率为：',accuracy)实验结果
可见该模型的正确率还挺客观，但远远达不到预期结果。
五、使用自己的数据进行测试
以下是本人自己写的几张20*20像素的手写数字图片
代码展示
python
import numpy as np
import cv2
from sklearn.neighbors import KNeighborsClassifier
img_gray = cv2.imread(r'./data/num.png',0)
# 读取自己的数据
img_2 = cv2.imread(r'./data/2.png',0).reshape(-1,400).astype(np.float32)
img_3 = cv2.imread(r'./data/3.png',0).reshape(-1,400).astype(np.float32)
img_5 = cv2.imread(r'./data/5.png',0).reshape(-1,400).astype(np.float32)
img_8 = cv2.imread(r'./data/8.png',0).reshape(-1,400).astype(np.float32)
cells = [np.hsplit(row,100) for row in np.vsplit(img_gray,50)]
x = np.array(cells)
train = x[:,:50]
train = train.reshape(-1,400).astype(np.float32)
# 将数据纵向合并
test = np.vstack((img_2,img_3,img_5,img_8))
# 训练集标签
k = np.arange(0,10)
labels = np.repeat(k,250)
train_labels = labels[:,np.newaxis]
# 设置验证集标签
test_labels = [[2], [3], [5], [8]]
# 创建KNN模型
Knn = KNeighborsClassifier(n_neighbors=3)
# 训练模型
Knn.fit(train,train_labels)
# 进行预测
result = Knn.predict(test)
result = result[:,np.newaxis]
# 计算正确率
matches = result == test_labels
correct = np.count_nonzero(matches)
accuracy = correct*100.0/result.size
print('验证自写2、3、5、8正确率为：',accuracy)结果展示
可见模型将数字8预测成了3
六、总结
KNN算法是机器学习的入门算法，所以对初学者来说能够熟练运用对以后的学习有很大意义。虽然模型的正确率不高但对训练模型的学习过程很重要。