手写数字识别——KNN算法的应用

Bertha 。 2023-06-20 10:49 141阅读 0赞

### 项目说明 ###

训练之后，即可识别手写数字图片如下（我用windows自带的画板画的，可能有点丑，见谅）：  
![0][]![1][]![在这里插入图片描述][20191210212431563.png]![在这里插入图片描述][20191210212826351.png]![在这里插入图片描述][20191210212847600.png]![在这里插入图片描述][20191210212922565.png]

等等

### 数据集下载 ###

> 链接：https://pan.baidu.com/s/1wWAuZxWUUhlCzRbIl-NE\_g  
> 提取码：nzjk

### 运行环境说明 ###

运行在自己安装好jupyter的服务器上，安装可以参考:  
[在CentOS上安装jupyter notebook (支持外网访问)][CentOS_jupyter notebook]

*  python 3
 *  numpy
 *  pandas
 *  pillow

### 注意事项 ###

一定要保证路径正确，如果不希望做任何修改的话，请保证相对路径如下：

*  data
    
     *  num
        
         *  下面是云盘下所有文件，包括testdata文件夹，traindata文件夹，若干个检测图片。
 *  此python文件

如果遇到环境问题，请自行查资料解决，一般情况下是只需要安装pillow就可以了，  
`pip install pillow -i https://pypi.tuna.tsinghua.edu.cn/simple`  
推荐安装jupyter，能够省去很多环境安装问题

### 具体实现代码 ###

主要包括以下几部分代码：

*  把图片转换为txt文本文件
 *  把txt文本文件写入转换为一维数组
 *  读取label（即训练集的文件名的前缀）
 *  KNN 算法
 *  训练，即把所有训练集中数据转换为二维数组
 *  测试，加载图片，使用上面的函数查看识别结果

**代码如下**

from PIL import Image,ImageDraw
    import operator
    from numpy import *
    from os import listdir
    # 临时文件路径，表示将图片转换成的文本
    TEXT_PATH = "data/num/test.txt"
    # 训练文件的路径
    TRAIN_PATH = "data/num/traindata"

# 图片转换为text文本文件
    def image_to_text(img):
        # resize
        img = img.resize((32,32))
        width = img.size[0]
        height = img.size[1]
    
        # open 文本文件进行写操作
        fh = open(TEXT_PATH,'w')
        for j in range(height):
            for i in range(width):
                rgb = img.getpixel((i,j))
                r,g,b = rgb[0],rgb[1],rgb[2]
                if(r==255 and g==255 and b==255):
                    fh.write('0')
                elif(r==0 and b==0 and g == 0):
                    fh.write('1')
                # 为了解决既不是白也不是黑的问题
                else:
                    fh.write('0')
            fh.write('\n')
        fh.close()

# 读数据写入一维数组
    def datatoarray(filepath):
        ary=[]
        fh = open(filepath)
        # 把二维数组转换为一维数组
        for i in range(32):
            line = fh.readline()
            for j in range(32):
                ary.append(int(line[j]))
        return ary
    
    #取文件名前缀，类似于5_45取5
    def seplabel(fname):
        label=int(fname.split("_")[0])
        return label
    
    # KNN算法
    def knn(k,testdata,traindata,labels):
        # 获得训练数据的列数（即属性数目）
        traindatasize=traindata.shape[0]
        ''' 将测试数据（原本只有一行）复制成为traindatasize行，从而方便进行减法运算 举个例子，测试数据和训练数据都有n列（即n个属性）， 测试数据只有一行，但是训练数据却有k行，为了让测试数据和所有的训练数据都进行计算，得到距离 为了方便，扩充一下测试数据就可以了。 列数不变，所以为1 ''' 
        dif = tile(testdata,(traindatasize,1))-traindata
        # 计算距离
        sqdif = dif**2
        sumsqdif = sqdif.sum(axis=1)
        distance = sumsqdif**0.5
        # 排序
        sortdistance = distance.argsort()
        
        # 进行统计
        count={ }
        for i in range(0,k):
            # 按照距离排序后，label中第i个最近的类型 + 1 
            vote = labels[sortdistance[i]]
            # 字典中该元素+1
            count[vote] = count.get(vote,0)+1
        # 排序，得到最近次数最多的
        sortcount = sorted(count.items(),key=operator.itemgetter(1),reverse=True)
        return sortcount[0][0]
    
    #建立训练数据
    def traindata():
        labels=[]
        trainfile=listdir(TRAIN_PATH)
        num=len(trainfile)
        #长度1024（列），每一行存储一个文件
        #用一个数组存储所有训练数据，行：文件总数，列：1024
        trainarr=zeros((num,1024))
        for i in range(0,num):
            thisfname=trainfile[i]
            thislabel=seplabel(thisfname)
            labels.append(thislabel)
            trainarr[i,:]=datatoarray(TRAIN_PATH+"/"+thisfname)
        return trainarr,labels

# 入口
    # 训练
    trainarr,labels=traindata()
    
    for  i in range(10):
        IMAGE_PATH = "data/num/"+str(i)+"_1.png"
        img = Image.open(IMAGE_PATH,'r')
        image_to_text(img)
    
        # 单个文件
        testarr=datatoarray(TEXT_PATH)
    
        # KNN算法获得结果
        rknn=knn(3,testarr,trainarr,labels)
        print(rknn)
        
    ''' # 6 7 9 IMAGE_PATH = "data/num/6_2.png" img = Image.open(IMAGE_PATH) image_to_text(img) # 单个文件 testarr=datatoarray(TEXT_PATH) # KNN算法获得结果 rknn=knn(3,testarr,trainarr,labels) print(rknn) '''

### 总结 ###

重点放在KNN算法的应用上，KNN算法很容易理解，也很容易应用。

> Smileyan  
> 2019年12月10日 10:34

[0]: https://img-blog.csdnimg.cn/2019121021220535.png
[1]: https://img-blog.csdnimg.cn/20191210212406954.png
[20191210212431563.png]: https://img-blog.csdnimg.cn/20191210212431563.png
[20191210212826351.png]: https://img-blog.csdnimg.cn/20191210212826351.png
[20191210212847600.png]: https://img-blog.csdnimg.cn/20191210212847600.png
[20191210212922565.png]: https://img-blog.csdnimg.cn/20191210212922565.png
[CentOS_jupyter notebook]: https://blog.csdn.net/smileyan9/article/details/103421785