一、项目背景与意义
在数字化时代，手写数字识别是一个经典的模式识别问题，广泛应用于邮政编码识别、银行支票金额识别、手写答题卡批改等场景。实现高效、准确的手写数字识别，不仅能提升相关业务的自动化处理效率，还能为更复杂的图像识别任务奠定基础。
KNN（K - 近邻）算法作为一种简单易懂的监督学习算法，在分类任务中有着广泛应用。它无需复杂的模型训练过程，核心思想是 "物以类聚"------ 通过计算待识别样本与已知样本的距离，找到最近的 K 个样本，再根据这 K 个样本的类别来判断待识别样本的类别。本次项目就将基于 KNN 算法实现手写数字识别，带你从零开始体验算法落地的全过程。
二、项目实现步骤
1.环境搭建：筑牢项目基础
首先，明确所需库及其作用：numpy用于高效的数值计算和矩阵操作，是处理数据集的核心工具；opencv负责将手写数字图像及识别结果以可视化形式呈现，便于直观观察；sklearn（scikit-learn）则提供了 KNN 模型、数据集加载和模型评估等一站式工具，能大幅简化开发流程。
2.数据处理：为模型输入 "优质食材"
1.数据是模型的 "粮食"，数据处理的质量直接影响模型性能，这一环节包括数据集加载、格式转换、归一化和分割等步骤。MNIST 数据集中的每个手写数字图像是 20×20 像素的二维矩阵，而 KNN 算法需要一维特征向量作为输入。因此，需将二维图像转换为一维数组，20×20 的矩阵转换后会得到 2500 个特征值的一维数组。
2.为了评估模型的泛化能力，需要将数据集分割为训练集和测试集。训练集用于让模型 "学习" 数据规律，测试集用于检验模型的识别效果。使用train_test_split函数进行分割
3、模型构建与训练：打造 "识别利器"
KNN 算法的一大特点是 "懒惰学习"，无需复杂的训练过程，其核心是存储训练数据，在预测时通过计算距离找到近邻。使用sklearn的KNeighborsClassifier构建模型
4、模型预测与评估：检验 "利器" 性能
使用测试集对模型进行预测，得到模型对测试样本的识别结果，predict方法会根据训练集中的近邻信息，为测试集中的每个样本预测对应的数字标签。
数据集照片：
三、代码分析
1.库导入：基础工具准备
python
import numpy as np # 用于数组操作和数值计算
from sklearn.neighbors import KNeighborsClassifier # 导入KNN分类器
import cv2 # 用于图像读取、处理和转换（OpenCV库）这部分代码导入了三个核心库：numpy负责数据结构处理，sklearn提供 KNN 算法实现，cv2（OpenCV）则专门用于图像相关的操作，是整个代码的 "工具基础"。
2.数据集准备：从图像到可训练数据
这部分是代码的核心，主要实现 "原始图像→训练集 / 测试集→特征向量" 的转换，共分为 5 个步骤：
（1）读取并预处理原始数据集图像
python
# 读取包含手写数字的数据集图像（假设是一个包含多个数字的拼接图）
img = cv2.imread('23ea179d663b57f1b10ff385449f038.png')
# 将彩色图像转换为灰度图像（减少计算量，保留核心特征）
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)把大量手写数字样本按行列排列成一张大图（类似答题卡的布局），后续需要将其分割成单个数字样本。转换为灰度图是因为颜色信息对数字识别无意义，灰度图（单通道）能减少数据量。
（2）分割图像为单个数字样本
python
# 将灰度图按行分割为50份（假设原图是50行×100列的数字网格）
a = np.vsplit(gray, 50)
# 先按行分割为50行，再将每行分割为100列，得到50×100个数字样本
cells = [np.hsplit(row, 100) for row in np.vsplit(gray, 50)]这部分是关键的分割步骤：
np.vsplit(gray, 50)：将图像垂直（Vertical）分割成 50 个等高大图（每行 1 个大图）；
np.hsplit(row, 100)：将每行的大图水平（Horizontal）分割成 100 个等宽小图；
最终得到50行×100列共 5000 个小图像（每个小图是一个手写数字样本）。
将其按照这样切分将每个手写数字单独拿出来，使其前一半做训练集，后一半做测试集。
（3）转换为数组并划分训练集和测试集
python
# 将分割后的图像列表转换为numpy数组（形状为50×100×宽×高，便于索引）
x = np.array(cells)
# 取前50列作为训练集（50行×50列=2500个样本）
train = x[:, :50, :, :]
# 取后50列作为测试集（50行×50列=2500个样本）
test = x[:, 50:, :, :]这里每个小图像的尺寸是固定的（比如 20×20 像素，20×20=400，后续特征维度对应 400）。通过数组切片将 5000 个样本按 "列" 分为两部分：前 50 列 2500 个样本用于训练，后 50 列 2500 个样本用于测试。
（4）将图像转换为特征向量
python
# 将训练集图像从二维（宽×高）转换为一维特征向量（2500个样本，每个400维）
train_new = train.reshape(2500, 400).astype(np.float32)
# 测试集同样转换为一维特征向量（2500个样本，每个400维）
test_new = test.reshape(2500, 400).astype(np.float32)KNN 算法需要一维特征向量输入，因此将每个二维图像（如 20×20）展平为 1×400 的一维数组。astype(np.float32)是为了统一数据类型，避免计算时类型错误。
（5）生成样本标签（数字类别）
python
# 生成0-9的基础数字数组
b = np.arange(10)
# 为训练集生成标签：每个数字（0-9）重复250次（2500个样本=10类×250个）
lables = np.repeat(b, 250)
# 转换为二维数组（形状为2500×1，符合sklearn标签格式）
train_lables = lables[:, np.newaxis]
# 测试集标签生成逻辑与训练集相同（10类×250个=2500个）
test_lables = np.repeat(b, 250)[:, np.newaxis]标签是样本对应的真实数字（0-9）。这里假设数据集中每个数字有 250 个样本（2500 个样本 ÷10 类 = 250），因此用np.repeat生成重复标签，确保每个样本对应正确的数字类别。
3、模型训练与评估：验证 KNN 效果
python
# 初始化KNN模型（K=5，即取最近的5个邻居）
knn = KNeighborsClassifier(n_neighbors=5)
knn.fit(train_new, train_lables)
# 计算模型在测试集上的准确率（正确预测样本数÷总样本数）
score = knn.score(test_new, test_lables)
print(score) # 输出准确率（0-1之间）KNeighborsClassifier(n_neighbors=5)：定义 K=5 的 KNN 模型；
fit方法是模型 "训练"（实际是存储训练样本）score方法通过测试集计算准确率，用于评估模型效果。
4.单样本预测：实际应用测试
python
# 读取待预测的单个数字图像（如手写的"2"）
img1 = cv2.imread('1.png')
# 转换为灰度图（与训练数据格式一致）
jiangwei = cv2.cvtColor(img1, cv2.COLOR_BGR2GRAY)
# 转换为特征向量（形状为1×400，与训练样本维度一致）
test_sample = jiangwei.reshape(-1, 400).astype(np.float32)
# 用训练好的模型预测数字
result = knn.predict(test_sample)
# 输出预测结果（转换为整数）
print(f'预测数字是：{int(result[0])}')
这部分是实际应用环节：
1.读取用户输入的单个数字图像（如1.png）；
2.按训练数据的格式预处理（灰度化、展平为 400 维向量）；
3.用predict方法得到预测结果，最终输出数字类别。
四、完整代码
python
import numpy as np
from sklearn.neighbors import KNeighborsClassifier
import cv2
img=cv2.imread('23ea179d663b57f1b10ff385449f038.png')
gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
a=np.vsplit(gray,50)
cells=[np.hsplit(row,100) for row in np.vsplit(gray,50)]
x=np.array(cells)
train=x[:,:50,:,:]
test=x[:,50:,:,:]
train_new=train.reshape(2500,400).astype(np.float32)
test_new=test.reshape(2500,400).astype(np.float32)
b=np.arange(10)
lables=np.repeat(b,250)
train_lables=lables[:,np.newaxis]
test_lables=np.repeat(b,250)[:,np.newaxis]
knn=KNeighborsClassifier(n_neighbors=5)
knn.fit(train_new,train_lables)
score=knn.score(test_new,test_lables)
print(score)
img1=cv2.imread('1.png')
jiangwei=cv2.cvtColor(img1,cv2.COLOR_BGR2GRAY)
test_sample = jiangwei.reshape(-1, 400).astype(np.float32)
result = knn.predict(test_sample)
print(f'预测数字是：{int(result[0])}')
五、总结与注意事项
（一）核心逻辑
该代码实现了一个完整的 "自定义数据集→KNN 训练→预测" 流程，核心是将拼接图像分割为单个样本，转换为特征向量后用 KNN 进行分类，适合小批量自定义手写数字识别场景。
（二）关键注意事项
1.数据格式一致性：所有图像（训练集、测试集、待预测图像）必须有相同的尺寸（最终展平为 400 维），否则会因特征维度不匹配报错；
2.标签对应性：标签生成依赖 "每个数字有 250 个样本" 的假设，若实际数据集样本数量不同，需修改np.repeat的参数；
（三）适用场景
适合个人制作的手写数字数据集（如自己手写的 0-9 数字拼接图），无需依赖公开数据集，灵活性较高，但需保证数据集分割逻辑（50×100）与实际图像一致。