OpenCV Python - 基于KNN的数字识别

KNN，代表**K近邻**，是一种基于监督学习的机器学习算法。它试图将一个新的数据点归类到与现有类别最相似的类别中。所有现有的数据都被分类到不同的类别中，一个新的数据点根据相似性被归类到其中一个类别中。

KNN算法基于以下原则：

• 选择一个奇数作为K，表示要检查的邻居数量。
• 计算它们的欧氏距离。
• 根据计算出的欧氏距离，获取K个最近邻。
• 统计每个类别中数据点的数量。
• 数据点数量最多的类别就是新的数据点被归类的类别。

作为使用OpenCV实现KNN算法的示例，我们将使用以下图像digits.png，它包含5000张手写数字的图像，每张图像大小为20X20像素。

第一个任务是将此图像分割成5000个数字。这是我们的特征集。将其转换为NumPy数组。程序如下：

import numpy as np
import cv2

image = cv2.imread('digits.png')
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

fset=[]
for i in np.vsplit(gray,50):
   x=np.hsplit(i,100)
   fset.append(x)

NP_array = np.array(fset)

现在我们将这些数据分成训练集和测试集，每个大小为(2500,20x20)，如下所示：

trainset = NP_array[:,:50].reshape(-1,400).astype(np.float32)
testset = NP_array[:,50:100].reshape(-1,400).astype(np.float32)

接下来，我们必须为每个数字创建10个不同的标签，如下所示：

k = np.arange(10)
train_labels = np.repeat(k,250)[:,np.newaxis]
test_labels = np.repeat(k,250)[:,np.newaxis]

现在我们可以开始KNN分类了。创建分类器对象并训练数据。

knn = cv2.ml.KNearest_create()
knn.train(trainset, cv2.ml.ROW_SAMPLE, train_labels)

选择k值为3，获取分类器的输出。

ret, output, neighbours, distance = knn.findNearest(testset, k = 3)

将输出与测试标签进行比较，以检查分类器的性能和准确性。

该程序显示在准确检测手写数字方面，准确率为91.64%。

result = output==test_labels
correct = np.count_nonzero(result)
accuracy = (correct*100.0)/(output.size)
print(accuracy)