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