标签：技术   数据转换   tps   create   knn算法   返回结果   个数   split   numpy   

基于OpenCV的KNN算法实现手写数字识别

一、数据预处理

# 导入所需模块
import cv2
import numpy as np
import matplotlib.pyplot as plt

# 显示灰度图
def plt_show(img):
    plt.imshow(img,cmap=‘gray‘)
    plt.show()

# 加载数据集图片数据
digits = cv2.imread(‘./image/digits.png‘,0)
print(digits.shape)
plt_show(digits)

(1000, 2000)

# 划分数据
cells = [np.hsplit(row,100) for row in np.vsplit(digits,50)] 

len(cells)

50

# 转换为numpy数组
x = np.array(cells)

x.shape

(50, 100, 20, 20)

plt_show(x[5][0])

# 生成训练数据标签和测试数据标签
k = np.arange(10)
train_label = np.repeat(k,250)
test_label = train_label.copy()

# 图片数据转换为特征矩阵，划分训练数据集
train = x[:,:50].reshape(-1,400).astype(np.float32)

# 图片数据转换为特征矩阵，划分测试数据集
test = x[:,50:100].reshape(-1,400).astype(np.float32)
test.shape

(2500, 400)

二、knn算法预测

# 生成模型
knn = cv2.ml.KNearest_create()

# 训练数据
knn.train(train,cv2.ml.ROW_SAMPLE,train_label)

True

# 传入n值，和测试数据，返回结果
ret,result,neighbours,dist = knn.findNearest(test, 3)

# 统计正确的个数
res = 0
for i in range(2500):
    if result[i]==test_label[i]:
        res = res+1
res

2439

# 计算模型准确率
accuracy = res/result.size
print(‘识别测试数据的准确率为：‘,accuracy)

识别测试数据的准确率为： 0.9756

三、导入图片预测

# 在测试集中随便找一张图片
test_image = test[2400].reshape(20,20)
plt_show(test_image)
test_label[2400]

# 将图片转换为特征矩阵
testImage = test[2400].reshape(-1,400).astype(np.float32)
testImage.shape

(1, 400)

# 使用训练好的模型预测
ret,result,neighbours,dist = knn.findNearest(testImage, 3)

# 预测结果
print(‘识别出的数字为：‘,result[0][0])

识别出的数字为： 9.0

# 传入一张自己找的图片进行识别尺寸（20*20）
te = cv2.imread(‘test2.jpg‘,0)
plt_show(te)
te.shape

(20, 20)

testImage = te.reshape(-1,400).astype(np.float32)
testImage.shape

(1, 400)

ret,result,neighbours,dist = knn.findNearest(testImage, 3)
result

array([[2.]], dtype=float32)

print(‘识别出的数字为：‘,result[0][0])

识别出的数字为： 2.0

用自己写的一张图片预测

# 用所有数据作为训练数据
knn = cv2.ml.KNearest_create()
k = np.arange(10)
labels = np.repeat(k,500)
knn.train(x.reshape(-1,400).astype(np.float32),cv2.ml.ROW_SAMPLE,labels)

True

te = cv2.imread(‘test1.jpg‘,0)
plt_show(te)
te.shape

(20, 20)

# 自适应阈值处理
ret, image = cv2.threshold(te, 0, 255, cv2.THRESH_OTSU | cv2.THRESH_BINARY_INV)
plt_show(image)

# 将图片转换为特征矩阵
testImage = image.reshape(-1,400).astype(np.float32)
testImage.shape

(1, 400)

# 使用训练好的模型预测
ret,result,neighbours,dist = knn.findNearest(testImage, 3)

neighbours

array([[5., 5., 5.]], dtype=float32)

print(‘识别出的数字为：‘,result[0][0])

识别出的数字为： 5.0

资源地址：

链接：https://pan.baidu.com/s/1sUgKBvex43-Yf-Ul2DQSIA
提取码：t1sd

视频地址：https://www.bilibili.com/video/BV14A411t7tk/

基于OpenCV的KNN算法实现手写数字识别

标签：技术   数据转换   tps   create   knn算法   返回结果   个数   split   numpy   

原文地址：https://www.cnblogs.com/zq98/p/12844612.html