K近鄰算法識別數(shù)字---OpenCV-Python開發(fā)指南(40)

K近鄰算法

機(jī)器學(xué)習(xí)算法是從數(shù)據(jù)中產(chǎn)生模型蜀细,也就是進(jìn)行學(xué)習(xí)的算法舟铜。我們把經(jīng)驗(yàn)提供給算法,它就能夠根據(jù)經(jīng)驗(yàn)數(shù)據(jù)產(chǎn)生模型奠衔。在面對新的情況時(shí)谆刨,模型就會為我們提供預(yù)測的結(jié)果。例如归斤,識別數(shù)字痊夭,文字時(shí),其實(shí)識別它們并不需要顏色官册,使用二值圖像就行生兆,而二值圖像的數(shù)字文字都是0,1組成膝宁,機(jī)器學(xué)習(xí)會根據(jù)0與1的位置匹配最相近的文字或者數(shù)字鸦难,從而得出結(jié)果。而機(jī)器學(xué)習(xí)中的K近鄰算法最適合識別圖像中的文字或者數(shù)字信息员淫。

K近鄰算法又稱為KNN算法合蔽,是非常經(jīng)典的機(jī)器學(xué)習(xí)算法。其原理非常簡單:對于一個(gè)新樣本介返,這里可以理解為一個(gè)新數(shù)字圖像或文字圖像拴事,K近鄰算法會在已有數(shù)據(jù)中尋找與它最相似的K個(gè)數(shù)據(jù)沃斤,或者說離它最近的K個(gè)數(shù)據(jù),如果這K個(gè)數(shù)據(jù)大多數(shù)屬于某個(gè)類別刃宵,則該樣本也屬于這個(gè)類別衡瓶。

識別數(shù)字

在OpenCV-Python開發(fā)指南的第一篇我們就介紹了二值圖像,二值圖像可以區(qū)分形狀已經(jīng)物體大概的輪廓牲证。如下圖所示:


1.png

這里的圖像A就是0和1的矩陣集合哮针,數(shù)字1代表有顏色的地方,數(shù)字0代表無顏色的地方坦袍。

這里十厢,我們提供給機(jī)器學(xué)習(xí)的樣本數(shù)據(jù)為1024個(gè)元素的一維數(shù)組,通過Excel表格提供捂齐,而圖像是一個(gè)矩陣并不是一維數(shù)組蛮放。所以,在處理原始圖像時(shí)奠宜,我們需要將圖片的矩陣數(shù)據(jù)轉(zhuǎn)換為一維數(shù)組包颁,以便于機(jī)器學(xué)習(xí)的匹配預(yù)測。

調(diào)整圖像

首先挎塌,我們需要識別的數(shù)字圖像可能并不是一個(gè)二值圖像徘六,甚至可能不是一個(gè)灰度圖像内边。所以我們需要將其轉(zhuǎn)換為二值圖像榴都。

其次,OpenCV轉(zhuǎn)換的二值圖像是一個(gè)矩陣漠其,而機(jī)器學(xué)習(xí)訓(xùn)練的數(shù)據(jù)是一個(gè)1024長度的一維數(shù)組嘴高。所以,我們還需要將圖像縮小為32*32像素的圖像和屎,這樣其轉(zhuǎn)換為一維數(shù)組才是1024個(gè)0拴驮,1數(shù)據(jù)。

具體代碼如下:

import cv2

img = cv2.imread("40.jpg")
img = cv2.resize(img, (32, 32))
img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
t, img = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY_INV)
img[img == 255] = 1
img_array= img.reshape(1, -1)  # 轉(zhuǎn)換為一維數(shù)組

這里柴信,我們首先獲取圖像套啤,然后將圖像轉(zhuǎn)換為32*32像素的大小。接著随常,在轉(zhuǎn)換為灰度圖像潜沦,并通過二值化處理將圖像變更為0和255兩個(gè)值,最后將255白色的部分替換成1绪氛。最后唆鸡,將其轉(zhuǎn)換為一維數(shù)組。

K近鄰算法模型搭建

不管是K近鄰算法還是機(jī)器學(xué)習(xí)算法枣察,我們一般搭建機(jī)器學(xué)習(xí)模型都分為2個(gè)步驟争占。第1步燃逻,劃分訓(xùn)練集與測試集,第2步完成模型的搭建.

下面我們具體實(shí)現(xiàn)臂痕,代碼如下:

import cv2
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier as KNN

df = pd.read_excel("手寫字體識別.xlsx")
# 提取特征變量伯襟,識別數(shù)字時(shí),其特征就是1024個(gè)0握童,1數(shù)據(jù)逗旁,而目標(biāo)變量就是1024個(gè)數(shù)字組成對應(yīng)的結(jié)果數(shù)字
X = df.drop(columns="對應(yīng)數(shù)字")
Y = df['對應(yīng)數(shù)字']

x_train, x_test, y_train, y_test = train_test_split(X, Y, test_size=0.2, random_state=111)
knn = KNN(n_neighbors=5)
knn.fit(x_train, y_train)

answer=knn.predict(img_array)
print("圖中的數(shù)字是:"+str(answer[0]))

這里,我們首先讀取手寫字體識別的數(shù)據(jù)集舆瘪,然后提取特征變量與目標(biāo)變量片效。

再然后,使用train_test_split函數(shù)將獲取的數(shù)據(jù)集分為測試集與訓(xùn)練集英古,test_size=0.2表示將20%的數(shù)據(jù)劃為測試集淀衣,訓(xùn)練集返回x_train,y_train召调,測試集返回x_test膨桥,y_test。

接著唠叛,使用訓(xùn)練集數(shù)據(jù)建模fit只嚣,這里K近鄰算法n_neighbors=5,表示選取5個(gè)近鄰點(diǎn)來決定數(shù)字圖片的分類艺沼,或者說識別判斷册舞。

建模完成之后,可以將上面轉(zhuǎn)換圖片的一維數(shù)組障般,直接代入到knn.predict函數(shù)中调鲸,得到預(yù)測的結(jié)果。我們測試的圖片如下:


運(yùn)行之后挽荡,得到的結(jié)果如下:

1.png
最后編輯于
?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請聯(lián)系作者
  • 序言:七十年代末藐石,一起剝皮案震驚了整個(gè)濱河市,隨后出現(xiàn)的幾起案子定拟,更是在濱河造成了極大的恐慌于微,老刑警劉巖,帶你破解...
    沈念sama閱讀 217,734評論 6 505
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件青自,死亡現(xiàn)場離奇詭異株依,居然都是意外死亡,警方通過查閱死者的電腦和手機(jī)性穿,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 92,931評論 3 394
  • 文/潘曉璐 我一進(jìn)店門勺三,熙熙樓的掌柜王于貴愁眉苦臉地迎上來,“玉大人需曾,你說我怎么就攤上這事吗坚∑碓叮” “怎么了?”我有些...
    開封第一講書人閱讀 164,133評論 0 354
  • 文/不壞的土叔 我叫張陵商源,是天一觀的道長车份。 經(jīng)常有香客問我,道長牡彻,這世上最難降的妖魔是什么扫沼? 我笑而不...
    開封第一講書人閱讀 58,532評論 1 293
  • 正文 為了忘掉前任,我火速辦了婚禮庄吼,結(jié)果婚禮上缎除,老公的妹妹穿的比我還像新娘。我一直安慰自己总寻,他們只是感情好器罐,可當(dāng)我...
    茶點(diǎn)故事閱讀 67,585評論 6 392
  • 文/花漫 我一把揭開白布。 她就那樣靜靜地躺著渐行,像睡著了一般轰坊。 火紅的嫁衣襯著肌膚如雪。 梳的紋絲不亂的頭發(fā)上祟印,一...
    開封第一講書人閱讀 51,462評論 1 302
  • 那天肴沫,我揣著相機(jī)與錄音,去河邊找鬼蕴忆。 笑死颤芬,一個(gè)胖子當(dāng)著我的面吹牛,可吹牛的內(nèi)容都是我干的孽文。 我是一名探鬼主播驻襟,決...
    沈念sama閱讀 40,262評論 3 418
  • 文/蒼蘭香墨 我猛地睜開眼,長吁一口氣:“原來是場噩夢啊……” “哼芋哭!你這毒婦竟也來了?” 一聲冷哼從身側(cè)響起郁副,我...
    開封第一講書人閱讀 39,153評論 0 276
  • 序言:老撾萬榮一對情侶失蹤减牺,失蹤者是張志新(化名)和其女友劉穎,沒想到半個(gè)月后存谎,有當(dāng)?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體拔疚,經(jīng)...
    沈念sama閱讀 45,587評論 1 314
  • 正文 獨(dú)居荒郊野嶺守林人離奇死亡,尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點(diǎn)故事閱讀 37,792評論 3 336
  • 正文 我和宋清朗相戀三年既荚,在試婚紗的時(shí)候發(fā)現(xiàn)自己被綠了稚失。 大學(xué)時(shí)的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片。...
    茶點(diǎn)故事閱讀 39,919評論 1 348
  • 序言:一個(gè)原本活蹦亂跳的男人離奇死亡恰聘,死狀恐怖句各,靈堂內(nèi)的尸體忽然破棺而出吸占,到底是詐尸還是另有隱情,我是刑警寧澤凿宾,帶...
    沈念sama閱讀 35,635評論 5 345
  • 正文 年R本政府宣布矾屯,位于F島的核電站,受9級特大地震影響初厚,放射性物質(zhì)發(fā)生泄漏件蚕。R本人自食惡果不足惜,卻給世界環(huán)境...
    茶點(diǎn)故事閱讀 41,237評論 3 329
  • 文/蒙蒙 一产禾、第九天 我趴在偏房一處隱蔽的房頂上張望排作。 院中可真熱鬧,春花似錦亚情、人聲如沸纽绍。這莊子的主人今日做“春日...
    開封第一講書人閱讀 31,855評論 0 22
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽拌夏。三九已至,卻和暖如春履因,著一層夾襖步出監(jiān)牢的瞬間障簿,已是汗流浹背。 一陣腳步聲響...
    開封第一講書人閱讀 32,983評論 1 269
  • 我被黑心中介騙來泰國打工栅迄, 沒想到剛下飛機(jī)就差點(diǎn)兒被人妖公主榨干…… 1. 我叫王不留站故,地道東北人。 一個(gè)月前我還...
    沈念sama閱讀 48,048評論 3 370
  • 正文 我出身青樓毅舆,卻偏偏與公主長得像西篓,于是被迫代替她去往敵國和親。 傳聞我的和親對象是個(gè)殘疾皇子憋活,可洞房花燭夜當(dāng)晚...
    茶點(diǎn)故事閱讀 44,864評論 2 354

推薦閱讀更多精彩內(nèi)容