K近邻算法识别数字---OpenCV-Python开发指南（40）

K近邻算法

机器学习算法是从数据中产生模型，也就是进行学习的算法。我们把经验提供给算法，它就能够根据经验数据产生模型。在面对新的情况时，模型就会为我们提供预测的结果。例如，识别数字，文字时，其实识别它们并不需要颜色，使用二值图像就行，而二值图像的数字文字都是0，1组成，机器学习会根据0与1的位置匹配最相近的文字或者数字，从而得出结果。而机器学习中的K近邻算法最适合识别图像中的文字或者数字信息。

K近邻算法又称为KNN算法，是非常经典的机器学习算法。其原理非常简单：对于一个新样本，这里可以理解为一个新数字图像或文字图像，K近邻算法会在已有数据中寻找与它最相似的K个数据，或者说离它最近的K个数据，如果这K个数据大多数属于某个类别，则该样本也属于这个类别。

识别数字

在OpenCV-Python开发指南的第一篇我们就介绍了二值图像，二值图像可以区分形状已经物体大概的轮廓。如下图所示：

这里的图像A就是0和1的矩阵集合，数字1代表有颜色的地方，数字0代表无颜色的地方。

这里，我们提供给机器学习的样本数据为1024个元素的一维数组，通过Excel表格提供，而图像是一个矩阵并不是一维数组。所以，在处理原始图像时，我们需要将图片的矩阵数据转换为一维数组，以便于机器学习的匹配预测。

调整图像

首先，我们需要识别的数字图像可能并不是一个二值图像，甚至可能不是一个灰度图像。所以我们需要将其转换为二值图像。

其次，OpenCV转换的二值图像是一个矩阵，而机器学习训练的数据是一个1024长度的一维数组。所以，我们还需要将图像缩小为32*32像素的图像，这样其转换为一维数组才是1024个0，1数据。

具体代码如下：

import cv2

img = cv2.imread("40.jpg")