使用KNN近邻法进行手写识别

 KNN近邻法

      邻近算法，或者说K最邻近（KNN，K-NearestNeighbor）分类算法是数据挖掘分类技术中最简单的方法之一。所谓K最近邻，就是K个最近的邻居的意思，说的是每个样本都可以用它最接近的K个邻近值来代表。近邻算法就是将数据集合中每一个记录进行分类的方法

1.  使用open()函数打开文件，对文件进行操作
2. 使用os.listdir()函数获取下trainingDigits文件夹下的所有经过处理的手写数字（已转换成0，1代码）如下图所示                                       ，返回文件名的列表
3. 通过对trainingDigits文件夹下的文件（文件中共32*32个01代码）进行循环读入一个数组中，每个文件形成一个[1,1024]这样的数组作为训练的数据集，将自己写的图片转为灰度图，并改变尺寸变为[1,1024]这样的数组作为测试的数据集，使用文件名的第一个数字作为训练的标签集（[0,......1,......2.....,.....,9......]）
4. 构造KNN分类器对象，学习训练，并进行预测

 代码如下：

import cv2
from sklearn.neighbors import KNeighborsClassifier
import os
import numpy as np

np.set_printoptions(threshold=np.inf)


def load_data():
    fileList = os.listdir("./trainingDigits")

    x = []#训练的数据集
    y = []#训练的标签集
    # for循环得到：['0_0.txt', '0_1.txt', '0_10.txt', ...]
    for j in range(len(fileList)):
        # 得到文件名
        filename = fileList[j]
        with open("./trainingDigits/" + filename, 'r') as fd:
            list1 = []
            # 两个for循环：将一个文件中的数据写入形成[1，1024]这样的数据
            for i in range(32):
                data = fd.readline()#读出文件的每一行
                for j in data[:-1]:#换行符不读
                    list1.append(int(j))
            x.append(list1)#形成[1，1024]这样的数组
            y.append(int(filename[0])) #形成[0,0,.....,1,1,....,......,9,...]这样的标签集

    return x, y


# 处理写的图片，在画图中将背景颜色喷成黑色，拿白色的画笔写数字，
# 将画纸大小设为100*100的大小（需要是个正方形）
def getTestData(img):
    src = cv2.imread(img)
    gray = cv2.cvtColor(src, cv2.COLOR_BGR2GRAY)#将图片转为灰度图
    gray = cv2.resize(gray, (32, 32))#改变图片大小，变为[32,32]
    # print(gray)
    gray = gray.reshape(1, 1024)#改变数组形状[32,32]->[1,1024]

    return gray




if __name__ == "__main__":
    x_test = []
    # 1.获得trainingDigits目录中的数据训练集和标签集
    x_train, y_train = load_data()
    # 2.准备测试的数据集
    x_test.append(getTestData("7.png"))
    # 3.构造knn分类器对象
    knn = KNeighborsClassifier(n_neighbors=3)# k需要为奇数
    # 4.学习训练
    knn.fit(x_train, y_train)
    # 5.预测
    pre = []
    print("识别：", pre[i])
# 识别： [7]

 画图：

 trainingDigits文件夹：下载地址